Vous êtes sur la page 1sur 148

MINISTERE DE LENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MOULOUD MAMMERI DE TIZI OUZOU

FACULTE DE GENIE ELECTRIQUE ET DINFORMATIQUE


DEPARTEMENT DINFORMATIQUE

THESE DE DOCTORAT
SPECIALITE : INFORMATIQUE

Prsente par
Mme BOUARAB ne DAHMANI Farida
Sujet

Modlisation base ontologies pour


lapprentissage interactif - Application
lvaluation des connaissances de
lapprenant.

Devant le jury dexamen compos de :


Mr Mouloud Koudil
Mr Malik Si Mohammed
Mme Malika Boukala
Mr Bernard Coulette

Professeur
MC
Professeur
Professeur

Mr Nadjib Badache
Mr Mansour Yacine Djouadi

Professeur
MC

ESI, Algrie
UMMTO, Algrie
USTHB, Algrie
IRIT-UTM, Toulouse,
France
USTHB, Algrie
UMMTO, Algrie

Prsident
Rapporteur
Examinatrice
Examinateur
Examinateur
Examinateur

Soutenue le 28/11/2010

A toute ma famille en particulier mon mari Hakim


Et mes enfants Tania, Katia et Ghani

Remerciements
Ce travail de thse a pu aboutir grce la contribution de diffrentes personnes faisant
partie de la communaut duniversitaires et de chercheurs algriens ou trangers et aussi
faisant partie de ma famille . Il mest impossible de dresser une liste exhaustive. Neanmoins
je tiens vivement remercier toute personne mayant aide de prs ou de loin raliser ce
travail en particulier :
-

Mr Malik Si Mohammed, Matre de Confrences lUMM de Tizi Ouzou est le


directeur de cette thse et aussi mon directeur de recherches. Par lingniosit de son
encadrement et la sagesse de ses orientations scientifiques, il a pu me guider vers mes
rsultats de recherches et laboutissement de mon travail de thse. Je le remercie aussi
pour sa confiance en mes capacits des le dbut de la thse et pour la facilit de
communication avec lui malgr son programme charg.
Mr Mouloud Koudil, Professeur lcole nationale dinformatique (ESI) dAlger
davoir bien voulu mhonorer en prsidant le jury dexamination de cette thse.
Mme Malika Boukala, Professeur lUSTHB dAlger davoir accept dexaminer mon
travail.
Mr Bernard Coulette, Professeur lIRIT-UTM de luniversite Toulouse le Mirail
davoir bien voulu participer mon jury. Je tiens dautre part lui exprimer ma
gratitude pour avoir chaque fois contribu au bon droulement de mes stages lIRITUTM et pour son aide lors de mon sminaire de 2007 prsent lUTM. Ces
remarques ont nettement contribu lamlioration de ma recherche.
Mr Nadjib Badache, Professeur lUSTHB dAlger pour sa participation mon jury
dexamination
Mr Yacine Djouadi, matre de confrences lUMMTO de Tizi Ouzou pour avoir
accept dtre examinateur de cette thse. Je le remercie aussi pour ses encouragements.
Mr Pierre Jean Charrel, Professeur luniversit Toulouse 2 et membre de lequipe IC3
du laboratoire IRIT pour sa collaboration. Les diffrents articles communs publis ont
t loccasion de minspirer de sa rigueur scientifique et de sa ponctualit. Je le
remercie aussi pour son souci, chacun de mes stages, de contribuer son bon
deroulement.
Mme Catherine Comparot, Matre de Confrences luniversit Toulouse 2 et membre
de lquipe IC3. Son esprit critique et pratique ont t trs importants pour la russite
des diffrent crits ensemble et donc pour la qualit de mon travail de thse. Je la
remercie aussi pour son amiti et son acceuil chacun de mes sjours Toulouse.
Diffrents enseignants chercheurs et personnel administratif du dpartement maths et
informatique de luniversit Toulouse 2 pour les discussions constructives et leurs aides
lors de mes sejours : Mr. Olivier Haemmerl, Mme Sophie Ebersold, Mme Nathalie
Ernandez,

Mr Jean Francois Nicaud, Professeur au laboratoire Leibniz de Grenoble. Sa


persverance dans le domaine des EIAH et ses critques constructives lors de mon sejour
au sein de son equipe ont t trs importants pour mon travail.
Les enseignants danglais qui ont corrig mes diffrents articles et qui ont donc
contribu la communication des rsultats de cette thse. Ce sont : Melle Sadia Belkhir,
Mr Mohammed Fodil et Melle Katia Hameg.
Tout le staff administratif de la facult du Gnie Elctrique et Informatique de
lUMMTO leur tte Mr Mohammed Said Belgaid, doyen de la facult et Mr Megherbi
vice doyen la PG/RS. Parmi le personnel, je cite particulirement Mme Si youcef
Houria, Mr Sidi Othmane et Naima pour leurs soucis, chaque fois dtre la hauteur
de leurs tches respectives.
Mr Mohammed Demri, chef de dpartment informatique, Mr Belgacem Ait Mohammed
et Melle Tassadit Berkane du dpartement informatique de lUMMTO.
Les membre de mon equipe de recherche Mme Sini Ghenima et Mr Samir Hameg
Mes collgues du dpartement informatique de luniversit Badji Mokhtar dAnnaba.
De mon interaction avec eux, certaines ides de cette thse ont et inspires. Je cite
patticulirement Mme Nora Taleb et Mme Nacira Ghoualmi.
Mme Souad Si Mohammed pour sa gentillesse et son aide.

De leurs ct, les membres de ma famille ont eu un rle trs important pour lavancement
de cette thse :
-

Mon mari na cess de mencourager continuer des moments de relchements et


dhsitation. Pour mener bout ce travail de thse, il a du faire beaucoups de sacrifices
et de concessions.
Mon beau pre que dieu ait son me avait un respect particulier pour les tudes,
implicitement il mavait encourage aller de lavant sans oublier sa permamente
assistance pour tout ala et vnement. Je regrette sincerment le fait quil ne puisse
assiter laboutissement de ce travail.
Mes parents pour leurs continuels soutien. La scurit quils mont toujours inspire
ma aide avancer malgr les contraintes.
Ma belle mre pour son aide prcieuse durant mes absences.
Mon frre, mes beaux frres et belles surs en particulier Nawel pour leurs assistances
et aides.

Rsum
Cette thse traite de lapprentissage interactif et porte en particulier sur la possibilit dutiliser les rsultats de
lingnierie ontologique dans la modlisation de domaines denseignement ainsi que dans lvaluation des
connaissances des apprenants en apprentissage par lexercice.
Lvaluation des connaissances tant avec la modlisation de lapprenant, les processus les plus complexes
dun systme dauto-apprentissage, nous sommes galement intresss par la problmatique de sa mise en
uvre travers des approches formalises. Notre contribution consiste notamment en :

Lintroduction dune reprsentation des connaissances du domaine enseigner base sur une ontologie
de domaine (Ont-TDM). Celle-ci, par la dfinition dun ensemble de concepts (notion, item de
connaissance, exercice, erreur, ) et dun ensemble de relations (compos de, value, est reli , ),
permet de modliser la smantique dun domaine utilise dans diffrentes activits dapprentissage par
lexercice,

la proposition dune approche dvaluation automatise des connaissances des apprenants compose
principalement de trois tapes : le diagnostic des erreurs, la notation des apprenants et la mise jour du
modle de lapprenant. Lapproche ODALA (Ontology Driven for Auto-evaluation Learning Approach)
ainsi dveloppe, fonde sur lontologie de domaine Ont-TDM constitue ainsi une partie essentielle des
travaux prsents ici.

Nous prsentons, par ailleurs des applications des rsultats du prsent travail de recherche travers le
dveloppement de diffrents prototypes de systmes de-learning par lexercice. Le systme WebSiela (pour
lalgorithmique) et RDB-E-LEARN (pour les bases de donnes relationnelles), qui tous deux mettent en
pratique les approches et modles introduits ici, ont t ainsi confronts la ralit travers des tests avec
des tudiants de luniversit. Nous avons ensuite, procd la mise en uvre dun environnement dautoapprentissage en rsultat de WebSiela et RDB-E-LEARN grce ladaptation de la plateforme MOODLE.
Les rsultats de ces diffrentes valuations permettent de conclure en premier lieu que lapproche ontologique
que nous avons propose prsente un intrt certain pour les EIAH de type learning by doing, mais
galement que les rsultats obtenus ici sont rutilisables dans diffrents domaines sous des hypothses
relativement proches.
Mots Cls : EIAH, Auto-apprentissage par lexercice, Ontologie, Diagnostic, Evaluation, Modle de
lapprenant, E-learning.

Abstract
This thesis discusses the interactive learning and focuses in particular on the possibility of using the results of
ontological engineering in the areas of teaching domain modelling as well as for learners knowledge
evaluation in the case of learning by doing.
The assessment of knowledge is with the learners modelling, the most complex processes of a self-learning,
so we are also interested in its implementation by proposing formal approaches. Our contribution includes in
particular:
The introduction of a teaching domain knowledge representation based on domain ontology (Ont-TDM).
The latter, by defining a set of concepts (notion, knowledge item, exercise, error, ...) and a set of relationships
(part of, evaluates, is connected to ...), models the semantics of a field used in various learning by doing
activities,
the proposition of an automated evaluation of learners' knowledge that consists mainly of three stages: errors
diagnosis, scoring learners and learner model updating. The approach ODALA (Ontology Driven Auto
evaluation Learning Approach) developed using the domain ontology Ont-TDM is thus an essential part of
the work presented here.
Moreover, we present applications results of this research work through the development of various
prototypes of e-learning by doing systems. The system WebSiela (for algorithmic) and RDB-E-LEARN (for
relational databases), who both practice the approaches and models introduced here were thus faced with the
reality through tests with university students. We then proceeded with the implementation of a self-learning
environment as a result of WebSiela and RDB-E-LEARN through adaptation of the platform MOODLE. The
results of these evaluations can be concluded first that the ontological approach that we proposed is certainly
interesting for learning by doing computer based systems, but also that the results obtained here are reusable
in different areas under similar assumptions.
Keywords: Computer based systems, Self-learning by doing, Ontology, Diagnosis, Evaluation, Learners
Model, E-learning.

Table des matires

Table des matires


Introduction Gnrale ....................................................................................................... 1

CHAPITRE I : EIAH et Evaluation des Apprenants


Introduction ............................................................................................................................... 3
I-1- LInformatique pour lApprentissage Humain

I-2- E-Learning .......................................................................................................................... 6


I.2.1. Dfintions ........................................................................................................................................ 6
I.2.2. Typologies des systmes de e-learning............................................................................................ 7
I.2.3. Plates formes de e-learning ............................................................................................................. 9
I.2.4. Normalisation dans le domaine de le-learning ............................................................................. 10

I-3- Modelisation de Domaines dEnseignement dans les EIAH de Type Learning by Doing15
I-4- Evaluation des Apprenants................................................................................................ 17
I.4.1. Types dEvaluation ........................................................................................................................ 17
I.4.2. Types de diagnostic ....................................................................................................................... 18
I.4.3. Techniques de diagnostic............................................................................................................... 19

Conclusion ............................................................................................................................... 21

CHAPITRE II : Les Ontologies


Introduction ............................................................................................................................. 22
II-1. Notion dOntologie .......................................................................................................... 22
II-2. Les Ontologies et la Reprsentation des Connaissances.................................................. 24
II-3. Les Constituants dune Ontologie.................................................................................... 25
II-4. Typologie Selon lObjet de Conceptualisation ................................................................ 27
II-5. Langages et Outils pour les Ontologies ........................................................................... 28
II.5.1. Les langages ................................................................................................................................. 28
II.5.2. Les outils ddition
29

II.6. Les Ontologies et les EIAH ............................................................................................. 30


II.6.1. Principales utilisation des ontologies dans les EIAH ................................................................... 30
II.6.2. Exemples de projets de conception/dveloppement dEIAH utilisant les ontologies................... 31
II.6.3. Evaluation et ontologies dans les EIAH de type learning by doing.............................................. 32

Table des matires

Conclusion ............................................................................................................................... 33

CHAPITRE III : Les Ontologies pour la Modlisation de Domaines


dEnseignement
Introduction..........................................................................................................................

34

III-1- Auto-Apprentissage par lExercice ................................................................................ 34


III.1.1. Problmatique et Objectifs ......................................................................................................... 35
III.1.2. Caractristiques dun Environnement dAuto-Apprentissage par lExercice.............................. 37

III-2- Modlisation de Domaines dEnseignement pour un Apprentissage par lExercice

40

III-3- Un Modle Ontologique Pour la Specification dun Domaine dEnseignement .......... 41


III.3.1. Les Concepts ............................................................................................................................... 42
III.3.2. Les Liens ..................................................................................................................................... 48

III-4- Les Ressources du Domaine

52

III-5- Modle Ontologique de Contexte dun Domaine dEnseignement

53

III-6- Aperu sur les Possibilits dOprationnalisation dOnto-TDM

54

Conclusion .........................................................................................................................

55

CHAPITRE IV : Une Approche dEvaluation Automatises des


Connaissances des Apprenants Base sur un Modle
Ontologique
Introduction ............................................................................................................................. 56
IV-1. LApproche dEvaluation Propose ............................................................................... 57
IV.1.1.Le Processus de Conception ........................................................................................................ 57
IV.1.2. Le Processus dutilisation ........................................................................................................... 58

IV-2. Le Diagnostic des Erreurs avec ODALA

60

IV.2.1 LAnalyse de la forme ................................................................................................................. 61


IV.2.2.LAnalyse Smantique................................................................................................................. 61

IV-3. La Notation des Apprenants avec ODALA

63

IV.3.1 Le principe de la notation granulaire ........................................................................................... 63

Table des matires


IV.3.2. Les Formules de Calcul............................................................................................................... 65

IV-4. Mise Jour du Modle de lApprenant avec ODALA

68

Conclusion ............................................................................................................................... 72

CHAPITRE V : Applications
Introduction ............................................................................................................................. 73
V.1. Enseignement de lAlgorithmique de Base

73

V.1.1. Modlisation ontologique du domaine ......................................................................................... 74


V.1.2. Diagnostic des erreurs .................................................................................................................. 78
V.1.3. Le processus de notation et la mise jour du modle apprenant.................................................. 79
V.1.4. Autres fonctionnalits du systme WebSiela ............................................................................... 81
V.1.5. Tests et rsultats ........................................................................................................................... 81

V.2. Enseignement des Bases de Donnes Relationnelles

84

V.2.1. Modlisation ontologique du domaine ......................................................................................... 85


V.2.2. Diagnostic des erreurs ................................................................................................................. 92
V.2.3. Le processus de notation et la mise jour du modle apprenant ................................................. 95
V.2.4. Autres fonctionnalits du systme RDB-E-LEARN .................................................................... 95
V.2.5. Tests et rsultats ........................................................................................................................... 97

V.3. Environnement Multi-Domaines : La Plate Forme Campus E-Learn

98

Conclusion ............................................................................................................................. 101

Conclusion Gnrale

102

Bibliographie

105

Annexes

113

Annexe A : Pseudo Langage Algorithmique Utilis dans Websiela

113

Annexe B : Liste des Erreurs Lexico-Syntaxiques et Smantiques dans Websiela

115

Annexe C : Pseudo Langage Algebrique Utilis dans Rdb-E-Learn

120

Annexe D : Liste des Erreurs Lexico-Syntaxiques et Smantiques dans Rdb-Elearn

124

Annexe E : Exemple de Document XML et son Affichage Avec un Script Php

131

Annexe F : Liste des Communications et Publications aprs Inscription en Doctorat

133

Table des matires

Liste des Figures


Figure 1. Principaux courants en informatique et ducation Avant 1997 [Bruillard 97]
Figure 2. Principaux courants en informatique et ducation
Figure 3. Structure hirarchique du LOM [Jarraud & La Passardire, 04]
Figure 4. Diagramme conceptuel dun Package [Semeteys, 06]
Figure 5. Diffrents rles composants IMS QTI
Figure 6 : Architecture Gnrale dun Environnement dAuto-Apprentissage Distance
Figure 7 : Architecture du Module des Exercices
Figure 8. Principales parties dun domaine denseignement
Figure 9 : Mta-termes de donnes de lOntologie gnrique de domaine
denseignement
Figure 10. Principaux concepts de lontologie dun domaine denseignement
Figure 11. Dcomposition des Notions dun domaine denseignement
Figure 12: Modlisation dun exercice par projection sur les notions du domaine
Figure 13. Sous-Modle Ontologique des Erreurs
Figure 14. Les erreurs sont lies Aux items de connaissances
Figure 15. Le Triangle didactique [Bisault & Lavarde 95]
Figure 16. Exemple de Liens Pr-requis de en Algorithmique
Figure 17. Exemple de Taxonomie de Ressources de type Documents
Figure 18. Lontologie de contexte dutilisation pour lvaluation Onto-TDM-EVAL
Figure 19. Principales Etapes de dveloppement dun systme dEvaluation avec
ODALA
Figure 20. Principales Etapes du Fonctionnement dun systme dEvaluation ODALA
[Bouarab-Dahmanir & al. 2010b]
Figure 21. Composition de lAnalyseur Smantique dODALA
Figure 22. Effet Miroir entre notes calcules et hirarchie de dcomposition
du domaine
Figure 23. Page daccueil du systme WebSiela
Figure 24. Formulaire dajout derreur
Figure 25. Exemple de la projection de lexercice 12 sur le sous domaine de
lalgorithmique
Figure 26. Rponse de lAnalyseur quand il y a des Erreurs Lexico-Syntaxiques
Figure 27. Rponse de lAnalyseur quand il y a des Erreurs Smantiques
Figure 28. Vue sur les notes de sessions dun apprenant partir de lespace auteur
Figure 29. Vue sur les notes des exercices dans lespace apprenant
Figure 30. Vue sur les indices de comprhension des items de connaissances de
la session courante partir de lespace apprenant
Figure 31. Prsentation de la liste des cours
Figure 32. Histogrammes des taux de dtection de WebSiela
Figure 33. Taux de dtection de WebSiela par Type dErreurs
Figure 34. Page daccueil du systme RDB-E-LEARN
Figure 35. Hirarchie de dcomposition du domaine des BDDR
Figure 36. Exemple dexpression algbrique
Figure 37. Exemple darbre algbrique

05
05
12
13
14
38
39
41
42
43
43
44
46
47
49
50
52
54
58
59
62
64
74
75
77
78
79
80
80
81
82
83
83
86
89
90
91

Table des matires


Figure 38. Exemple de programme SQL
92
Figure 39. La table des symboles du formalisme des arbres algbriques intgre
lenvironnement de rsolution de lapprenant
93
Figure 40. Extrait de la grammaire correspondant au langage algbrique propos
94
Figure 41. Exemple daffichage derreurs de forme par RDB-E-LEARN aprs analyse
dune expression algbrique
94
Figure 42. Exemple daffichage derreurs smantiques par RDB-E-LEARN aprs
analyse dune expression algbrique
94
Figure 43. Exemple daffichage derreurs smantique aprs analyse dun arbre
algbrique par RDB-E-LEARN
95
Figure 44. Affichage dun cours sur une notion par RDB-E-LEARN
96
Figure 45. Affichage dun QCM par RDB-E-LEARN
96
Figure 46. Taux de dtection derreurs avec RDB-E-LEARN dans le cas darbres
algbriques [Bouarab-Dahmani & al. 10a]
97
Figure 47. La page daccueil de Campus E-Learn UMMTO
99
Figure 48. Page daccueil de WebSiela partir de Campus E-Learn UMMTO
100
Figure 49. Exemple de cours dalgorithmique au format SCORM
100

Table des matires

Liste des Tableaux


Tableau 1. Les Principaux concepts de lOntologie
Tableau 2. Les Principaux liens de lontologie de domaine dEnseignement Propose
Tableau 3. Vue sur la matrice des erreurs
Tableau 4. Exemple de Matrice de Comprhension
Tableau 5. Exemple de matrice dexercices
Tableau 6. Vue sur la matrice incomplte des notions
Tableau 7. Vue sur la matrice finale de comprhension des notions
Tableau 8. Principales instances des notions et IC dOntoAlgo
Tableau 9. Caractrisation dun exercice dalgorithmique par les notions et les IC
Tableau 10. Taux de dtection derreurs [Bouarab-Dahmani & al. 08c]
Tableau 11. Principales instances des notions et IC dRdbOnto
Tableau 12: Exemple de liens Exercice-items-Notions extrait de RDD-E-LEARN
Tableau 13. Taux de dtection derreurs dans le cas de solutions en expressions
algbriques [Bouarab-Dahmani & al. 10b]

48
51
69
70
70
71
71
76
77
82
88
90
98

Introduction Gnrale

Introduction Gnrale

Lutilisation de linformatique pour lapprentissage et lenseignement se dveloppe


et volue sous le coup de diffrents facteurs inter-relis comme la pousse
technologique (faible cot des technologies, facilit et banalisation de leurs usages),
lvolution des connaissances scientifiques, la demande sociale ou encore lvolution
des pratiques des enseignants et des apprenants. Cette volution a notamment
favoris lapparition du concept dEIAH : Environnement Informatique
dApprentissage Humain.
Un EIAH est un environnement informatique conu dans le but de favoriser
lapprentissage humain, cest--dire la construction de connaissances chez un
apprenant [Tchounikine 02]. La problmatique des EIAH sorganise autour de
deux ples principaux : les connaissances quil faut reprsenter et qui sont lenjeu de
leur utilisation, les utilisateurs enseignants et apprenants; ces derniers ayant la
particularit dvoluer du point de vue de leurs connaissances dans le cours de
linteraction avec lenvironnement informatique [Balacheff 99].
Les travaux de recherche mens dans ce cadre nont pas pour finalit de construire
des EIAH utiliss dans les classes ou les lieux de formation (mme si certains
voluent pour atteindre ce type dobjectif), mais plutt de comprendre les enjeux
considrer, les phnomnes prendre en compte ainsi que les moyens (notions,
modles, processus, outils, etc.) utiles la conception des EIAH.
Dans le contexte des environnements interactifs, cette thse a pour but de mettre
profit lingnierie ontologique dans la modlisation de domaines denseignement en
gnral (par la proposition dun mta-modle) ainsi que dans lvaluation
automatise des apprenants en apprentissage par lexercice. Lvaluation des
connaissances tant avec la modlisation de lapprenant, les processus les plus
complexes dun systme dauto-apprentissage, nous avons aussi abord la
problmatique de sa conception en recherchant des approches formalises, qui soient
en particulier applicables lorsquil y a des rponses librement conues des
questions ouvertes.
Partant de lhypothse de base du systme BUGGY [Brown & al. 75] [Brown &
Burton 78] stipulant que toute erreur est indicatrice dune mauvaise comprhension
dun lment du domaine, nous avons utilis le concept derreur comme pivot de
lapproche et des techniques dvaluation proposes. Cette ide combine avec la
modlisation ontologique du domaine reprsente une solution pour atteindre
lobjectif dun environnement dauto-apprentissage par lexercice tirant pleinement
profit des dveloppements en Technologies de lInformation.
1

Introduction Gnrale

Notre travail sarticule autour de trois principales tapes. La premire concerne la


conception dun modle ontologique pour la reprsentation dun domaine
denseignement pour un apprentissage par lexercice. La deuxime se rapporte la
construction dune approche dvaluation des connaissances des apprenants base sur
ce modle ontologique du domaine et sur le concept derreur. Cette valuation est un
processus qui consiste dtecter les erreurs de lapprenant, noter ce dernier (dans
un esprit formatif et sommatif) puis reporter ce bilan dvaluation sur le modle de
lapprenant pour quil serve ladaptation de lapprentissage. La troisime et
dernire tape prsente des applications de cette approche des domaines
denseignements spcifiques. Pour chaque domaine, un prototype est dvelopp et
des exprimentations sont conduites avec des tudiants pour tudier la porte du
systme ralis. Les domaines choisis dans le cadre de cette thse
sont lalgorithmique et les bases de donnes relationnelles qui sont deux modules de
lenseignement de base des informaticiens.
Cette thse est organise autour de cinq chapitres.
Le premier chapitre prsente un tat de lart sur les EIAH et introduit la
problmatique de lvaluation des apprenants dans le cadre dun auto-apprentissage
par lexercice.
Le second chapitre prsente le concept dontologie et introduit la possibilit de son
utilisation en tant que formalisme de reprsentation de connaissances dans les
systmes EIAH.
Le troisime chapitre dcrit les objectifs et les caractristiques de lenvironnement
dauto-apprentissage par lexercice auquel nous nous intressons, avant de prsenter
notre proposition de modlisation ontologique dun domaine denseignement
pouvant tre applique dans un tel cas.
Le quatrime chapitre prsente lapproche propose pour lvaluation automatise
des connaissances des apprenants dans ce mme cadre.
Enfin, le chapitre cinq est consacr des applications de notre approche et des outils
dvelopps en parallle. La premire section prsente le cas de lenseignement de
lalgorithmique, la deuxime concerne lenseignement des bases de donnes
relationnelles et le dernier cas montre un test sur un environnement multi-domaines.
La conclusion rsume nos plus importantes contributions ainsi que les principales
perspectives de recherches auxquelles nous envisageons de nous intresser au terme
de ce travail.

Chapitre I : EIAH et Evaluation des Apprenants

CHAPITRE I
EIAH et Evaluation des Apprenants

Introduction
Depuis lapparition de linformatique, beaucoup de systmes sont dvelopps dans le
but dutiliser lordinateur pour aider accomplir la tche pdagogique
denseignement/apprentissage. Avant larrive des NTIC et lapparition des plates
formes de e-learning, deux grandes priodes ont marqu lhistoire de cette
mdiatisation technologique de lapprentissage qui a contribu llaboration de
beaucoup de logiciels plus ou moins russis. Nous distinguons lre de lEAO
classique o furent effectues les premires tentatives ad hoc dassistance
lapprenant par des didacticiels, et lre de lEIAO qui a exploit bon escient les
techniques de lintelligence artificielle pour raliser des environnements
denseignement/apprentissage plus intelligents et qui tiennent compte des capacits
cognitives de lapprenant. On convient aujourdhui (du moins chez la communaut
francophone qui sintresse aux systmes informatiques pour lapprentissage) que
tous ces systmes sont des Environnements Informatiques dApprentissage Humains
(EIAH).
Lobjet des travaux de recherche relatifs aux EIAH est dtudier les situations
pdagogiques informatises et les logiciels qui permettent ces situations
[Tchounikine 09]. Ce type de problmatique se base sur les interactions entre
lapprenant et loutil do la ncessit de la reprsentation de lvolution de la
progression de lapprentissage de celui-ci en particulier dans le cas de domaines qui
ncessitent lapprentissage du raisonnement par lexercice. Lvaluation des
connaissances des apprenants est lactivit pdagogique qui permet le calcul de
cette progression.
Aprs un bref expos sur les diffrentes phases qui ont marqus lhistoire de
lapprentissage par ordinateur, nous dtaillons au niveau de la deuxime section les
EIAH de type e-learning puis prsentons une synthse sur lvaluation des
connaissances des apprenants.

I-1- LInformatique pour lApprentissage Humain


Le domaine des technologies appliques la formation recouvre ce qu'on appelait
traditionnellement des didacticiels, et qu'on appelle plutt aujourd'hui des EIAH.
On parlait dabord d'EAO (Enseignement assist par ordinateur), en anglais CBT
(Computer based training). Lintroduction de l'intelligence artificielle a conduit
parler d'EIAO (Enseignement intelligemment assist par ordinateur), en anglais ICAI
3

Chapitre I : EIAH et Evaluation des Apprenants

(Intelligent computer aided instruction). On a ensuite traduit le I par interactif : EIAO


devenait Environnement interactif d'apprentissage avec ordinateur. Cela crait
toutefois quelque confusion avec l'apprentissage par les machines au sens de l'IA
(intelligence artificielle); d'o le sigle actuel EIAH.
Dans le schma suivant (figure 1 et figure 2), la premire colonne rfre des
courants qui ont privilgi l'enseignement, c'est--dire pour lesquels la machine est
principalement amene jouer le rle du matre (de l'enseignement programm aux
tuteurs intelligents). La troisime colonne rend compte de recherches dans lesquelles
l'ordinateur est un moyen permettant aux apprenants d'effectuer constructions,
explorations et dcouvertes. La colonne centrale correspond aux tentatives de
synthse de ces deux approches, essayant de concilier un certain guidage par la
machine dans des environnements largement contrls par les apprenants.

Figure 1. Principaux courants en informatique et ducation Avant 1997


[Bruillard 97]

Il existe une grande diversit d'EIAH, allant de simples CD-Rom de complexes


plates-formes du E-learning. Les EIAH comprennent la fois [Grandbastien 02] :

des produits appels "tuteurs intelligents", destins favoriser un certain


apprentissage, par exemple en gomtrie, ou en langues trangres,

des services valeur ajoute, comportant d'autres fonctions comme le


courrier lectronique ou la gestion des lves.

Chapitre I : EIAH et Evaluation des Apprenants

Figure 2 Principaux courants en informatique et ducation jusqu' nos jours

Lutilisation dun mme sigle pour identifier lensemble des systmes qui utilisent
lordinateur pour lapprentissage ne signifie pas que les problmatiques et les
proccupations sont les mmes. En effet, pendant que le domaine des "tuteurs
intelligents" connat un mrissement dans certains volets qui relvent de dtails dans
le dveloppement de systmes comme la reprsentation des connaissances du
domaine ou pdagogiques, la modlisation de llve,, celui des plates-formes de
e-learning a beaucoup plus connu une avance vers la gestion du travail coopratif et
le dveloppement de sites WEB ducatifs [Michel & Rouissi 03]. Pour les platesformes d'enseignement distance, le dveloppement grande chelle dans des
environnements techniques diffrents ncessite d'avoir des ressources caractrises
de manire universelle. Dans les systmes dEIAO le besoin est diffrent. La varit
des tches proposes et la grande adaptabilit des systmes ncessitent de disposer de
ressources pdagogiques dfinies de manire extrmement fine. A l'heure actuelle,
les fonctionnalits proposes par ces deux types de systmes sont compltement
diffrentes. Si on va vers un dveloppement technique des plates-formes comme
celui des systmes dEIAO, alors la caractrisation des documents pdagogique va
dans le sens de deux besoins, savoir : dfinir formellement et trs prcisment les
ressources pdagogiques utilises, et le faire selon une norme de manire en
faciliter l'change et laccessibilit.
Aujourdhui, les tendances respectives des deux recherches semblent converger
(avec les travaux sur les Web-ITS : Web based intelligent tutoring systems) pour
aller vers des outils intelligents pour lauto-apprentissage, des outils Web pour la
5

Chapitre I : EIAH et Evaluation des Apprenants

communication et la recherche dinformation, des outils daide lapprentissage


comme la simulation,

I-2- E-learning
Depuis plusieurs annes, les technologies de linformation et de la communication
(TIC) constituent non seulement un nouvel outil, un nouveau mdia, mais aussi un
moyen douverture sur des ressources du monde entier. On peut considrer que les
TIC sont le rsultat de la convergence de trois technologies : linformatique, les
tlcommunications et laudiovisuel, ces trois domaines se trouvant associs dans
lordinateur connect. Internet a concrtis aujourdhui cette convergence.
Nous nous trouvons ainsi face un nouveau mode de communication qui, par la
quantit dinformations quil rend disponible et la varit de ses sources, pose des
problmes aux enjeux ducatifs considrables paralllement aux avantages certains
quil procure tous les niveaux.
Nous entendons parler de formation distance, formation en ligne, e-learning, tlenseignement, Cest toute une multitude de termes la signification apparente
similaire, mais qui renvoie des aspects diffrents dune nouvelle technologie
ducative la mode, et quil convient de distinguer.

I-2-1- Dfinitions

E-learning : Signifie "enseignement lectronique "; c'est une discipline o


thorie d'enseignement et technologies des rseaux informatiques sont
combines pour permettre des apprenants de raliser leurs cursus par
l'intermdiaire d'un rseau informatique (Internet ou Intranet) [O'Neil 01].

Formation distance (FAD) ou Enseignement distance (EAD) : Concept


plus gnral dans le sens o les moyens utiliss pour communiquer entre les
apprenants et les formateurs ne sont pas spcifis. La formation traditionnelle
par correspondance, la communication par tlphone, fax, peuvent rentrer
dans le cadre d'une FAD. On notera la nuance linguistique entre les termes
"enseignement" et "formation", le premier voque une dure plus longue et la
sanction obligatoire par un diplme alors que le deuxime peut signifier un
simple perfectionnement des connaissances comme c'est le cas des
formations des personnels d'entreprises. On parle aussi de FOAD pour
formation ouverte et distance, l'ouverture se fait un public large. L'outil
d'ouverture le plus utilis aujourd'hui reste videmment le Web.

Tl-enseignement ou tlformation : L'utilisation de moyens de


tlcommunication est plus importante dans ce cas (tlphone, fax,
Internet,).

La formation distance la plus possible et la plus courante se base actuellement


sur le rseau internet. Pour cela le terme E-learning est de plus en plus utilis
(cette appellation est retenue par l'union europenne par exemple) pour englober

Chapitre I : EIAH et Evaluation des Apprenants

toute formation ouverte et distance utilisant les technologies de l'information et


de communication. Cest ce terme que nous adoptons dailleurs dans la suite de
cette thse.

Plate-forme de E-learning : Une plate-forme de E-learning est un logiciel


qui assiste la conduite des enseignements distance. Ce type de logiciel
regroupe les outils ncessaires aux trois principaux utilisateurs enseignant,
tudiant, administrateur - dun dispositif qui a pour finalit la consultation
distance de contenus pdagogiques, lindividualisation de lapprentissage et
le tl-tutorat [Oravep 00]. Ces systmes ont pour ambition de mettre en
ligne des enseignements complets o l'tudiant peut prparer son ingniorat,
sa licence, son bac, via ces plates-formes.

I-2-2- Typologies des systmes de-learning


Passer de la mise en place de formations en prsentiel l'laboration de elearning, ncessite des mutations culturelles, organisationnelles et bien videmment
pdagogiques. Les relations forms-contenus-formateurs s'en trouvent bouleverses,
rendant cette volution dlicate. En fait, selon les besoins de chaque situation
d'apprentissage (public vis, type de formation, le domaine de la formation,), on
devrait aboutir des dispositifs multiples articulant dans des proportions varies les
temps de travail distance, le temps de travail en auto-apprentissage et les temps de
travail en prsentiel afin de s'adapter aux processus et approche pdagogique.
Plusieurs catgorisations ont t proposes pour les systmes de e-learning allant de
la plus globale la plus dtaille. La classification la plus gnrale propose deux
catgories [ONeil 01] :

Les systmes synchrones qui dfinissent une classe virtuelle o la


communication entre les acteurs de la formation distance est en temps rel
en utilisant le son, la vido ou le chat

Les systmes asynchrones o llve nest pas forcement en ligne avec


lenseignant, il peut travailler en mode dconnect et communiquer des
moments planifis ou la demande. Le mode de communication ncessaire
et le plus utilis dans ce genre de systmes est la messagerie lectronique.

Dautres classifications sont plus fines. Par exemple, dans [Charp & al. 02], on
trouve une typologie de situations de e-learning o six grands types sont voqus. Ce
sont :

Formation avec auto-apprentissage tutor et synchronis : Ce type de


formation articule du travail distance un instant donn et du travail en
prsentiel. Le dispositif allie un auto-apprentissage distance (un outil et ses
concepts par exemple) une reformulation en commun et une
appropriation en prsentiel. L'auto-apprentissage repose sur diffrentes
activits s'appuyant sur des documents de nature diffrentes (lecture, prise en
main guide, exercices) dcrites dans une fiche guide standardise pour
l'ensemble de la formation, le tout disponible en tlchargement partir du

Chapitre I : EIAH et Evaluation des Apprenants

site de la formation. Cet auto-apprentissage se droule sur une journe


identifie dans l'emploi du temps des stagiaires contenant des contacts
obligatoires avec les formateurs par l'intermdiaire d'envoi de documents, de
rponses des questionnaires ou de productions. Les formateurs tuteurs,
prsents distance, peuvent tre joints durant cette priode tout moment par
diffrents moyens (tlphone, messagerie, etc.) pour lever toute difficult.

Formation avec auto-apprentissage tutor et dsynchronis : Dans ce type de


formation se retrouve l'ensemble des principes du type prcdent. La
diffrence rside dans la dsynchronisation de la distance. Dans ce cas, le
travail faire distance se droule dans un laps de temps donn avec une
date limite. Le contact avec les formateurs tuteurs existe toujours mais les
rponses aux questions ne sont pas immdiates.

Auto-formation : Ce dispositif s'appuie sur des outils intgrant l'ensemble du


droulement de l'apprentissage, de l'initiation l'valuation sans recourir au
prsentiel. Il est ncessairement dsynchronis et le recours au tuteur est
limit puisque l'outil doit en principe guider au mieux lapprenant.

Production cooprative : La mise distance des forms, si elle individualise


leur formation, les isole en mme temps. Pourtant, le travail de groupe
demeure un dispositif d'apprentissage qui doit perdurer dans le cadre de ces
nouvelles modalits. La mise en place par exemple de productions
coopratives par un cahier des charges prcis, gnre un dialogue et une
confrontation entre les diffrents membres d'un groupe restituant ainsi
l'interactivit entre eux. Les formateurs suivent l'avance des travaux en
observant l'volution de la production et en ragissant sur celle-ci.
L'ensemble des acteurs est alors partie prenante du travail. Cette modalit
ncessite vraisemblablement la plus grande inventivit de la part des
formateurs.

Formation en alternance tutore : L'utilisation des outils de communication


distance permet de mettre en place un apprentissage par l'action, sur le lieu de
l'action, spcificit de l'alternance. Organis autour de travaux mener dans
les tablissements, en s'appuyant sur des apports thoriques en prsentil ou
en ligne et l'usage d'un carnet de bord lectronique. Chaque stagiaire a un
formateur-tuteur rfrent qui suit l'volution du travail travers ce carnet de
bord et la remise des productions demandes. Le tuteur peut tre sollicit par
le stagiaire sur toutes les questions qu'il se pose sur son travail.

Travail en autonomie : La notion d'autonomie existe bien entendu dans les


diffrents types de situations numrs prcdemment. Cependant, il est
possible d'identifier des formes de travail qui ne requirent pas la prsence
des stagiaires sur le lieu de formation. Par exemple, les phases de lecture, de
collecte de documents et d'informations, clairement identifis dans les
dispositifs de formation et dans le planning ne sont pas soumises au
prsentil. Ils permettent ainsi aux forms d'largir leurs possibilits de
recherche en utilisant les ressources personnelles, locales, acadmiques,
qu'elles soient documentaires, matrielles ou humaines.

Chapitre I : EIAH et Evaluation des Apprenants

I-2-3- Plates formes de-learning


Le dveloppement dune plate-forme de-learning 1 pose les contraintes relatives au
dveloppement de sites Web mais, prsente aussi certaines spcificits venant de son
usage pour lapprentissage. Les principales considrations prendre en compte sont :

Sur le plan technique : Elles sont relatives essentiellement aux matriels


et logiciels informatique et de communication comme : le matriel et
systme dexploitation des utilisateurs de la plate-forme et au niveau du
serveur, outils multimdias, connexion Internet (type, dbit,), outils de
tlchargement, de messagerie,

Sur le plan pdagogique : Elles consistent tenir compte de la distance de


lenseignant et ventuellement du lieu pdagogique dune part et de
lindividualit de la formation dautre part, et dfinir les contenus
pdagogiques et les parcours-types de telle sorte que la plate-forme ait un
intrt et une motivation. Cest dans ce cadre aussi, quon dfinit les
modules, enseignements et cursus envisags.

Sur le plan administratif : Elles portent sur : la gestion de la scolarit des


e-learners (inscription, relev de note,), la gestion des e-formateurs
(recrutement, rmunration,), affectation des e-learners aux groupes,
affectation des e-formateurs aux groupes,

Considrations de Modlisation : Cest lingnierie des systmes de elearning. A ce niveau se font les choix des modles pour lacquisition et la
reprsentation des connaissances ainsi que la conception des interfaces de
telle sorte faciliter linteroprabilit avec dautres systmes en relation
avec la plate-forme, la rutilisabilit des modules, ladaptation aux
mutations de lenvironnement de la plate-forme, ...

La structure dune plate-forme de e-learning comporte essentiellement trois acteurs :


lapprenant, lenseignant et ladministrateur de la plate-forme. Le rle denseignant
peut-tre subdivis en enseignant-concepteur, enseignantformateur (ou enseignanttuteur), enseignant-correcteur, ... On trouve aussi ladministrateur des matriaux
pdagogiques et administrateur de la scolarit comme subdivision pour le rle
dadministrateur. A chaque rle sont assigns des modules spcifiques pour sa prise
en charge.
Les principales fonctionnalits dune plate-forme sont :
1

Cration de cours, de tests et de parcours-types,


Gestion de documents pdagogiques (indexation, classification, mises
jour,),
Gestion dun espace de travail coopratif entre apprenants et/ou entre
enseignants,
Suivi de lapprentissage de lapprenant et son valuation,

Appele aussi LMS pour Learning Management System

Chapitre I : EIAH et Evaluation des Apprenants

Gestion de la scolarit de lapprenant,


Mise la disposition de lapprenant doutils de travail (diteurs
spcifiques, outils de tlchargement, outils de simulation de T.P,).
Mise la disposition des diffrents acteurs doutils de
communications ainsi que les procds de leurs gestion (forums,
messagerie, chat, visioconfrence,).

Il existe un grand nombre de plates formes denseignement distance sur le march


international, environ plus de 200 dont une trentaine sous licences libres. Parmi les
plates-formes sous licence libre (ou licence GPL2), nous pouvons citer : Claroline3,
Ganesha4, Moodle5,
Il existe aussi des plates-formes sous licence propritaire comme : e-doceo6,
myTeacher7, Blackboard (nouveau nom depuis 2006 de WEBCT)8,

I-2-4- Normalisation dans le domaine de le-learning


Les travaux de normalisation dans le domaine des technologies ducatives sont lis
principalement aux travaux des organismes suivants : IEEE (Institute of Electrical
and Electronics Engineers), IMS (Instructional Management Systems) et
dARIADNE, ADL (Advanced Distributed Learning), AICC (Aviation Industry CBT
Committee) et W3C (World Wide Web Consortium). Essentiellement, deux
fonctionnalits font objet de normalisation :
limportation et lintgration de ressources pdagogiques externes dans une
plate-forme,
la rutilisation des cours et des matriaux dune plate-forme dans une autre.
On notera la diffrence avec les travaux de normalisation gnraux concernant les
technologies Internet (mens par W3C) car ces travaux auront un impact essentiel sur
la normalisation des technologies ducatives; cest le cas des normes et protocoles
comme:

XML, norme gnraliste de structuration et dchange de documents sur


le Web,
WebDav, protocole de cration collaborative de pages Web,
SMIL, norme de structuration des documents multimdias,
CSS, norme dfinissant des feuilles de style pour les documents HTML.

De mme, la stratgie.Net lance par Microsoft en juillet 2000 qui consiste utiliser
un ensemble de protocole dnomm SOAP (Simple Object Access Protocol) qui
dfinit comment des applications peuvent communiquer sur un rseau aura une
influence sur les procds de normalisation des technologies ducatives.
2

GPL : General Public License


http://claroline.up.univ-mrs.fr/claroline/
4
http://www.ganesha.fr/
5
http://moodle.org/
6
http://www.e-doceo.net/
7
http://www.cerfi.ch
8
http://www.blackboard.com/
3

10

Chapitre I : EIAH et Evaluation des Apprenants

La normalisation dans le domaine des technologies ducatives est coordonne depuis


1998, par lIEEE Learning Technology Standards Committee (LTSC). Ce Comit
pour llaboration des normes du domaine des technologies ducatives a tabli un
programme daction visant promouvoir des normes, des bonnes pratiques et des
guides pratiques facilitant le dveloppement, la maintenance et linteroprabilit des
applications informatiques concernant lducation et la formation.
Le LTSC a mis en place une structure qui comprend 20 groupes de travail
sintressant diffrents thmes tels que :

architecture et vocabulaire,
questions intressant les apprenants (modle de lapprenant, modle de
tches, identification des apprenants, etc.),
questions relatives au contenu (langages dinteroprabilit, modle
dorganisation interne des cours, etc.),
signaltique et documentation des objets pdagogiques (matriaux, cours,
etc.),
plates-formes et systmes de gestion.

Parmi les projets de normalisation des technologies ducatives, on peut citer :


- IMS, Instructional Management Systems qui est port par le groupement Educause
(dorigine amricaine) et qui rassemble un nombre important dentreprises du secteur
informatique, de secteur du multimdia de formation, dorganismes de formation et
institutions ducatives, dentreprises en gnral et dadministrations (plus de 160).
IMS a t lance en 1994 et se propose de dvelopper des standards dans les
domaines suivants :
- description des matriaux pdagogiques (catalogus en tant que mtadata) pour
rendre possible une publication et une recherche sur le Web (et sur tout systme
dinformation),
- interoprabilit de ces matriaux,
- interoprabilit les plates-formes avec les matriaux et les systmes gnraux
dinformation des tablissements denseignement pour changer des informations,
- enregistrement des informations sur les tudiants (diplmes, acquis, etc.),
- changer de donnes entre les systmes dadministration.

11

Chapitre I : EIAH et Evaluation des Apprenants

Figue 3. Structure hirarchique du LOM [Jarraud & La Passardire 04]


Aujourdhui, IMS a dbouch sur le standard LOM (Learning Object Metadata)9. La
figure 3 prsente les principales spcifications proposes par ce standard.
Il existe des adaptations du LOM telle que LOMFR propos en 2006 par le groupe
CN36 de lAFNOR. [Durand, 06]. LOMFR modifie lgrement la spcification
LOM en ajoutant notamment quatre (4) lments dans la catgorie gnrale : Date de
rfrence de la ressource (date dun vnement particulier sur la ressource :
modification, publication, ), Type de documentaire (texte, ressource
dynamique.),
Activit induite (dcrit sommairement lactivit qui va utiliser la ressource : crer,
animer, sauto former.), Validation des acquis (permet dexprimer la quantit
dunit denseignement ou de crdit obtenues aprs avoir atteint des objectifs
pdagogiques).
LOMFR induit la notion de validation des acquis pour renseigner le rsultat de
lusage de la ressource, mais on na pas connaissances des critres de la mthode
dvaluation pour obtenir ce rsultat.
- SCORM, Shareable Course Object Reference Model, est galement un standard
dvelopp linitiative du DoD (Department of Defense) des Etats-Unis. Il sinscrit
dans lventail des travaux dIMS. SCORM tente de rsoudre trois problmes :

http://ltsc.ieee.org/wg12/files/LOM_1484_12_1_v1_Final_Draft.pdf

12

Chapitre I : EIAH et Evaluation des Apprenants

- le transfert dun cours, y compris les informations concernant les tudiants,


dune plate-forme une autre.
- la cration de matriaux granulaires utilisables dans des cours diffrents,
- la recherche informatise (dans des bases de donnes, sur Internet) de matriaux
et documents pour la formation.
Les moyens envisags sont la normalisation de la description des matriaux et la
normalisation des fonctionnalits dchange sur les rseaux de ces matriaux. En
octobre 2000, ont t dfini dans le cadre de SCORM :
- des spcifications permettant de reprsenter la structure dun cours,
- des spcifications relatives au lancement des applications supportant ces cours,
- des metadatas, items de description documentaire.
Les techniques employes sont celles de la normalisation XML (insertion
dtiquettes dans les documents).
Aujourdhui, diffrentes plates formes comme Moodle, Claroline, excutent des
ressources de type Scorm sous forme de paquetage. Le paquetage, ou la mise en
paquets des contenus est effectue afin de rendre disponible des ressources
pdagogiques lapprenant, aux LMS ainsi quaux crateurs de contenus. C'est un
moyen standard (conforme aux spcifications d'IMS) de structuration et dchange
des contenus pdagogiques entre diffrents systmes et outils, cest dire quil
permet le transfert de contenus pdagogiques entre les LMSs, les outils de
dveloppement et les bases de contenus.
Le Content Package est reprsent par un fichier compress au format ZIP, constitu
de deux composants principaux (cf. Figure 4) :

Un fichier au format XML dcrivant la structure du contenu et lassociation


du contenu aux ressources. Ce fichier est appel imsmanifest.xml et se situe la
racine du package.

Les fichiers physiques constituant le Content Package.

Figure 4. Diagramme conceptuel dun package [Semeteys, 06]

13

Chapitre I : EIAH et Evaluation des Apprenants

- On peut galement citer la spcification IMS LD, issue des travaux de luniversit
Ouverte des Pays-Bas portant sur les langages de modlisation de lapprentissage
appel EML [Pernin 2003] qui est un mtalangage de description des modles ou
scnarios pdagogiques (accompagne des ressources et des services requis pour
atteindre un ou plusieurs objectifs d'apprentissage).
- La spcification QTI dIMS10 permet quand elle de reprsenter la structure de
donnes dune question (item) et dun test (assessment) ainsi que les rsultats
correspondants a particulirement attire notre attention vu lintrt de cette thse
pour lvaluation. Cependant, comme lindique la figure 5 qui schmatise les
principaux lments de la version v2.1 de juin 2006, cette spcification est base sur
des tests donc des questionnaires et ne traite pas le cas de questions ouvertes. Cette
dernire version nest donc pas encore finalise donc reste en dveloppement.

Figure 5. Diffrents rles composants IMS QTI11.

La normalisation dans le domaine des technologies ducatives et Internet a un effet


vident sur lingnierie des systmes dapprentissage. En effet la possibilit
dinteroprabilit et lexistence dune banque de mtadata va allger
le
dveloppement de ce genre de systmes et facilitera leur mise jour pour les adapter
de nouveaux paramtres. Seulement, ces standards doivent couvrir toutes les
fonctionnalits de lapprentissage et un niveau de granularit uniforme qui puisse
rpondre lattente de chaque concepteur. Il est clair que leurs utilisations en
10

http://www.imsproject.org/question/index.html
http://www.imsproject.org/question/qtiv2p1pd2/imsqti_oviewv2p1pd2.html#element10009 IMS
Global Learning Consortium de juin 2006
11

14

Chapitre I : EIAH et Evaluation des Apprenants

moyennant des outils logiciels adquats (exemple du standart Scorm avec loutil
OpaleSup 312 ) va acclrer la production de cours avec dventuels questionnaires.
Cependant si on veut travailler sur les connaissances dun domaine denseignement
avec des procds plus dynamiques et plus intelligents comme cest le cas de
lvaluation de la progression dapprenant dans lapprentissage dun domaine, quand
il y a des questions ouvertes (sans rponses prdfinies) ou encore la gnration
adapte de contenus, nous remarquons vite la limite de ces standards. Ceci tant
essentiellement d au fait que les normes nont pas la capacit de modliser la
smantique dun domaine qui permettrait des traitements automatiques sur les
composantes reprsentes qui sont dans la majorit des cas des ressources
pdagogiques.

I-3- Modlisation de Domaines dEnseignement dans les EIAH de


Type Learning by Doing
Lintroduction et limportance des TIC dans le dveloppement de systmes EIAH via
le Web imposent une vision spcifique sur la reprsentation des domaines
enseigner. En effet, lenseignement via le Web impose la distinction entre les
connaissances utilises par les traitements locaux (au niveau du serveur) et les
connaissances changeables qui ncessitent des formats et styles de prsentations
particuliers. De plus, les traitements sur les connaissances sont devenues des
services Web ce qui impose une unification structurelles et smantiques des
modles de domaines car les utilisateurs, en particulier les concepteurs, sont
diffrents (de cultures, de disciplines, de langues, ).
Dautres part, la tendance actuelle vers des EIAH de type plate formes de e-learning,
induit une rflexion sur la modlisation de diffrents domaines. La solution vidente
reste la dfinition dune mta-modlisation pour distinguer les connaissances
communes (niveau mta) des connaissances spcifiques (niveau intra). Cette
distinction de niveaux de connaissances va faciliter la modlisation de domaines (par
instanciation), les changes entre eux et uniformiser leurs prsentation et
manipulation, en particuliers lorsquils font partie dun mme cursus ou une mme
plate-forme de e-learning.
Un domaine denseignement peut tre dcompos en deux principales parties relies
entre elles : la partie concepts et la partie units de cours [Hatzily & Prentzas 04].
Cependant en e-learning, on trouve plus la notion de contenu pdagogique ou d
objet pdagogique que la notion de domaine denseignement. En fait, la majorit
des travaux en e-learning, se sont concentrs sur la partie relative aux units de cours
car on pense beaucoup plus au transfert distance (via le Web) dun cours brut
de lenseignant humain vers un apprenant (ce qui se faisait par simple translation
du cours en HTML ou autre format lisible par un navigateur). La majorit des outils
commercialiss comme CoursGenie13 , EasyGenarator14 , Easyprof15 ,permettent la
gnration de cours et non la formulation de domaines denseignements. En effet, ces
outils aident les auteurs de cours pour produire des documents HTML o lon ne
distingue ni les deux parties du domaine cits au dbut de ce paragraphe ni le
contenu et le style de chaque document de cours.

12

Tlchargeable ladresse suivante : http://scenari.utc.fr/scenarisup/co/Telechargement.html


http://www.coursegenie.com
14
http://www.easygenerator.com
15
http://www.easyprof.com
13

15

Chapitre I : EIAH et Evaluation des Apprenants

Or le constat dans les sciences de lducation rvle des difficults chez les
enseignants humains face aux domaines ncessitant un apprentissage par lexercice
(learning by doing) introduit par John Dewey la fin du XIXe sicle [Westbrook 93].
En effet ces domaines ncessitent de lentrainement de la part des apprenants et les
enseignants sont senss avoir la patience de revoir chaque fois pour corrections les
propositions des apprenants, ce qui est une tche pnible. Linformatique dans ce cas
peut jouer un rle considrable en produisant des systmes dauto apprentissage pour
ces domaines quun apprenant peut utiliser dans une salle de classe en prsence de
lenseignant ou via le Web. Pour cela, deux conditions simposent pour la
modlisation de ces domaines savoir :

la prise en compte de la structure du contenu et de la didactique du domaine,


et ladquation de la modlisation avec le processus dvaluation des
connaissances des apprenants pour estimer leurs progressions respectives dans
lapprentissage du domaine.

Cependant, dans la plupart des EIAH de type e-learning, ces deux besoins sont
souvent non satisfaits car le domaine enseigner est rduit au support de cours sans
tenir compte de la smantique contenue dans les liens entre les composantes; ce qui
rend impossible la gestion des feedbacks de lapprenant quand il sexerce sur le
domaine (que nous captons par exemple par lanalyse de ses erreurs).
Parmi les travaux qui touchent la modlisation du domaine enseigner en elearning, nous pouvons citer [Fernandez & al 2004] o lobjectif est la gnration
automatique de ce que les auteurs appellent les WLMs (Web-based Learning
Materials) ou matriaux pour lapprentissage sur le Web partir de contenus. Un
contenu peut tre une animation, un son, une question, un exercice, etc. Il a une
structure code en XML et un format de prsentation en XSL16 . Dautre part, le
problme prsent et trait dans [Liu & al. 04] concerne lenchanement, la
granularit et la taxonomie dobjets dapprentissage pour des soucis de rutilisation.
Le contenu dans ce travail est reprsent sous forme dun arbre quatre niveaux (de
haut en bas) : cours, unit, leon et unit de connaissance.
Cest du ct des travaux sur les tuteurs intelligents que nous trouvons plus dintrts
pour la modlisation de la structure du domaine comme cest le cas dans [Suraweera
& al. 04]. Mais si la premire condition se trouve plus ou moins satisfaite selon les
systmes, la deuxime est rarement respecte.
Nous noterons dautre part que certains travaux sur les objets pdagogiques comme
dans [Xuan & al. 04] utilisent certains schmas prdfinis pour les mtadonnes
notamment le standard LOM17 de lIEEE LTSC. Seulement les LOMs ont t soumis
aux commentaires lIso SC36 WG4 et de nombreuses lacunes ont t montres en
particulier [Saleh & Bouyahi 04] : le manque de dfinition de la notion dobjet
pdagogique, un excs de gnricit, incompatibilit avec des reprsentations
structures de linformation, le manque de pertinences de certains champs,
La conception de domaines denseignements pour les EIAH destins un
apprentissage par lexercice, en tenant compte de leurs didactiques respectives, et de
16
17

XSL : eXtensible Stylesheet Language, une spcification du W3C


LOM : Learning Object Metadata : mta donnes pour les objets dapprentissage

16

Chapitre I : EIAH et Evaluation des Apprenants

lutilisation ventuelle du Web reste donc au stade de la recherche. Nous noterons


que les rsultats de telles recherches auront un rle important pour aboutir des
plates formes de e-learning intelligentes intgrant des services aussi complexes
que lvaluation automatise des connaissances de lapprenant, ladaptation et
ladaptabilit, ce sur quoi portent justement les travaux prsents dans cette thse.

I-4-Evaluation des Apprenants


Lvaluation dans un contexte denseignement a pour fin lgitime de contribuer la
russite de lenseignement, cest dire la construction de savoirs et comptences
par les lves [Hadji 97]. Lvaluation est en effet ce qui permet aux systmes
d'apprentissage d'avoir une interactivit avec l'apprenant [Michel & Rouissi, 03].
Malgr cette importance reconnue, peu de travaux ont directement port sur la
question de l'valuation de l'apprenant, et en particulier sur le diagnostic des erreurs
de celui-ci dans un contexte o il garde lopportunit de formuler librement et
compltement les solutions quil propose. De fait, l'valuation des connaissances et
des comptences de l'apprenant en rsolution de problmes demeure un aspect
fondamental de tout systme de formation [Labat 02], celle-ci servant avant tout
amliorer la formation de lapprenant, en lui permettant, ainsi qu son tuteur humain
le cas chant, de percevoir ses forces et ses faiblesses.
Les travaux qui ont port sur lvaluation en tant que partie intgrante du processus
dapprentissage permettent dintroduire une certaine catgorisation pouvant faciliter
ladaptation de lvaluation aux objectifs recherchs. Cest ce que nous examinons
dans ce qui suit, dans le but dextraire un certain nombre daspects fondamentaux
relatifs aux processus dvaluation, aux techniques de diagnostic pouvant y tre
mises en uvre, ainsi quaux diffrents types de diagnostics auxquels il est possible
daboutir selon les cas.

I-4-1- Types dvaluation


Une valuation peut tre dun type diffrent selon le moment o elle est effectue, et
selon l'utilisation qui en est faite ensuite. Nous pouvons ainsi distinguer cinq types
dvaluation, les quatre premiers types tant cits dans [Bisault & Lavarde 95] :

l'valuation pronostique consiste dterminer si lapprenant sera apte ou non


suivre un cursus scolaire dtermin, un exemple appropri pourrait en tre
un concours d'entre dans un tablissement,

l'valuation diagnostique repre les difficults particulires un apprenant ou


un groupe d'apprenants, ce qui se rencontre particulirement dans les tests
proposs aux lves en difficult dans des tablissements spcialiss,

l'valuation formative, par contre, n'est pas utilise pour porter un jugement
sur l'lve mais pour que l'enseignant puisse adapter son cours, ou adopter
une autre approche par rapport au contenu d'enseignement qu'il souhaite

17

Chapitre I : EIAH et Evaluation des Apprenants

transmettre en fonction de rsultats quil obtient en termes dacquisition


approprie des connaissances par les lves,

l'valuation sommative, qui est le type dvaluation le plus frquemment


rencontr, correspond lvaluation dun apprentissage prcis de l'lve. Il
sagit typiquement dun contrle de connaissances dont le rsultat se
matrialise par une note, une qualification, le passage dans la classe
suprieure, etc. Ce type dvaluation correspond donc plus un inventaire
des comptences acquises aprs un apprentissage qu'elle a pour but de
sanctionner,

Enfin, pour tre le plus complet sur ce point, et bien quil sagisse l dune
catgorisation diffrente, nous avons lauto-valuation, correspondant aux
cas o lapprenant (qui est gnralement un adulte) dfinit lui-mme ses
objectifs et ses normes a priori, pour pouvoir procder lvaluation du
travail accompli [Ellis 07].

Dans le contexte de lauto-apprentissage auquel nous nous intressons dans cette


thse, il sagit de rflchir une combinaison rendant possible une valuation
sommative et formative (calculs de notes et inventaire des comptences acquises)
sans exclure la possibilit dune valuation pronostique (pour les sessions initiales
des nouveaux apprenants) et lvaluation diagnostique pour une ventuelle recherche
dune difficult particulire relative un lment du domaine enseigner. Il convient
toutefois de relever que quelle quen soit lappellation, tous les types dvaluation
correspondent de fait une approche diagnostique dont le rsultat est une
apprciation quantitative et/ou qualitative de latteinte des objectifs dun ou plusieurs
intervenants au sein du processus observ. Sagissant plus prcisment dun
processus de formation matrialis par lchange formateur-apprenant via un outil
automatis, on peut rencontrer diffrents types et techniques de diagnostic, dont les
principaux, relatifs aux cas danalyse de solutions librement construites par
lapprenant, font lobjet des deux sections suivantes de ce paragraphe.
I-4-2 Types de diagnostic
Dans un EIAH destin lauto apprentissage, le diagnostic est dfini comme tant le
processus assur par un module automatis permettant danalyser et/ou de dtecter
les erreurs ventuelles dans le comportement et/ou les rponses des apprenants.
Selon que lanalyse porte sur le comportement ou les rponses, on distingue dans
[Wenger 87] les deux types de diagnostics suivants :

le diagnostic comportemental porte sur le comportement de l'apprenant dans


l'utilisation du logiciel, observ par le logiciel lui-mme. Le diagnostic est
effectu en tudiant les actions de l'apprenant au niveau de l'interface. On
retrouve ce type de diagnostic dans le systme ROBOTEACH [Desprs &
Leroux 97] et dans [Baker & al 04] par exemple,
le diagnostic cognitif, ou diagnostic des connaissances, cherche identifier
les connaissances des apprenants portes dans un modle de l'apprenant.
Dans ce cas, on cherche dtecter ce que lapprenant a acquis (ou na pas
acquis) par analyse et correction de ses solutions. Cest ce que nous
retrouvons par exemple dans PEPITE [Jean 00] et [Horacek & Wolska 06].

18

Chapitre I : EIAH et Evaluation des Apprenants

Pour ce qui nous concerne, nous nous intressons ce dernier type de diagnostic,
dans la mesure o il sagit pour nous de traiter un certain nombre dinformations qui
permettent daboutir une estimation du degr dacquisition des connaissances du
domaine par les apprenants.

I-4-3-. Techniques de diagnostic


Lutilisation des QCM18, mme si elle introduit une commodit dans un processus
dvaluation, par la rduction des rponses une dichotomie juste/faux , suivie
d'une sommation de points, ne peut videmment pas tre approprie pour rpondre
aux besoins dvaluation gnrs par lutilisation de systmes de formation
complexes. En effet, un QCM est une srie de questions auxquelles ltudiant rpond
en oprant une slection (au moins) parmi plusieurs solutions proposes, chacune
tant juge (par le constructeur de lpreuve et par un consensus entre spcialistes)
correcte ou incorrecte indpendamment de lapprenant qui doit y rpondre. Les QCM
sont donc des questions choix de rponse o lapprenant na pas concevoir sa
propre rponse, mais se contente de choisir une possibilit de rponse parmi les
alternatives proposes. Ainsi, dans leur conception classique, les QCM s'inscrivent
dans le cadre d'une valuation sommative globale qui ninforme pas sur les processus
cognitifs de l'apprenant et ne permet donc pas un diagnostic fin des comptences et
connaissances de celui-ci. ventuellement adapte, de manire relative, une
slection de fin de cursus, cette valuation est sans doute insuffisante sagissant de
laccompagnement d'une formation.
C'est la principale raison pour laquelle nous nous intressons des procds plus
sophistiqus, tels que ceux consistant corriger des rponses librement rdiges par
lapprenant des questions ouvertes. Une question ouverte peut tre dfinie comme
tant une question pour la rsolution de laquelle aucune aide pour sa rsolution en
dehors de son nonc nest propose et pour laquelle plusieurs solutions sont priori
possibles. A priori, la rponse une question ouverte nest pas donne dans lnonc
de la question, nanmoins, le fait de donner, dans le texte, la rponse la question
pose ne ferme pas forcment cette question, dans le cas o aucune approche
nest propose.
La pratique de questions ouvertes en formation a pour but essentiel de favoriser la
prise dinitiative et la dmarche de recherche des apprenants. La pratique, en
formation, de la rsolution de questions ouvertes, voire de problmes ouverts, est
indispensable lacquisition, par les apprenants, du sens mme de la dmarche de
recherche, mobiliser les connaissances acquises, faire travailler son imagination,
formuler des hypothses et mettre en place des mthodes de validation, enchaner les
tapes dun raisonnement, mettre en forme une dmonstration, De plus, cette
pratique donne aux apprenants le got de la recherche, dveloppe leur motivation par
le plaisir que ces recherches leurs procurent. Dans la suite de ce rapport, nous
distinguons la question ouverte par le concept dexercice de la question ferm
que nous appellerons simplement question et qui peut rfrencer, en plus du QCM
dautres type de question avec indications ou aide de rponse comme la question
trou, question Vrai/Faux,
18

QCM : Questionnaire Choix Multiples

19

Chapitre I : EIAH et Evaluation des Apprenants

La bibliographie dans le domaine de recherche dautomatisation du diagnostic des


erreurs dans les rponses dapprenants aux questions ouvertes (exercices) indique
plusieurs techniques utilises soit sparment ou combines dans un mme systme.
Dans [Bouarab-Dahmani 2000], une synthse relative une slection de systmes
intelligents pour lenseignement de la programmation a t prsente avec quelques
techniques utilises dans ce domaine. Cette synthse a t gnralise, complte et
actualise et nous retenons lensemble des techniques suivantes :

La dfinition de plans pour chaque solution possible. Ceux-ci sont utiliss


lors du diagnostic o la solution de llve est compare ces plans. Selon les
systmes et les domaines, les plans sont combins dautres techniques
spcifiques, par exemple : dans Proust [Johnson 86], un systme destin pour
lenseignement de la programmation Pascal, des buts et des rgles de
prdiction des intentions du programmeur sont dfinis en plus des plans.
Dans les travaux de D. Py [Py 01] relatifs lenseignement de la gomtrie,
des programmes danalyse dactions lmentaires complte le diagnostic
par les plans,
Les plans sont particulirement intressants pour lanalyse de lenchanement
dtapes dans une solution donc pour la dtection dune certaines catgorie
derreurs smantiques. Cependant quand ils sont le pivot de la technique de
diagnostic, la variabilit des solutions possibles rend dune part la
construction des plans fastidieuse, dautre part quand la solution ne ressemble
aucun plan, les erreurs dtectes ne sont plus significatives. Pour cela, ce
stade de nos recherches, nous avons cart lutilisation des plans de notre
processus dvaluation.

Lutilisation de bases de rgles : Nous retrouvons le cas de base de rgles


justes ou fausses comme dans Lisp Tutor [Anderson & Reiser 85] et le
systme LMS [Sleeman & Smith 81]), ou le cas de rgles de transformation
comme dans [Nicaud & al. 06].
Les cas les plus courants et les plus efficaces pour lutilisation de base de
rgles sont les domaines ou les solutions sont prsentes sous forme de
raisonnement donc qui se prtent une formulation sous forme de rgles
comme les mathmatiques par exemple, ce qui nest pas le cas de beaucoup
de domaine (comme lalgorithmique, les langues,) donc une approche de
diagnostic fonde sur cette technique est priori difficile gnraliser. Or,
parmi les objectifs de base de nos recherches est lauto-apprentissage de
plusieurs domaines, ce qui rend la technique base de rgles inadquate pour
notre approche dvaluation.

La construction de grammaires : Dans ce cas, les grammaires servent de base


pour lanalyse des solutions des apprenants. Cela ressemble lanalyse
syntaxique des langages naturels. Nous retrouvons cette technique surtout
dans les systmes destins lapprentissage des langues comme dans [Ruth
73], [Goldstein & Miller 76], [Lhaire & Faltin 03],
Il est clair quen dehors des aspects lexico-syntaxiques (quand la solution est
textuelle), lexpression dun domaine laide de productions dune
grammaire reste trs rigide en particulier les aspects smantiques, cest pour
cela que dans notre cas nous limitons lutilisation de grammaires lanalyse
lexico-syntaxique de textes de solutions.

20

Chapitre I : EIAH et Evaluation des Apprenants

La spcification derreurs : Il est vident que toute technique de diagnostic a


pour fin la recherche derreurs ventuelles. Alors, dans certains travaux de
recherche rcents comme [Horacek & Volska 06], il y a mergence
dapproches bases sur la spcification et/ou la classification derreurs. Le
diagnostic dans ce cas consiste rechercher ces erreurs dans les solutions des
apprenants.
En fait ce genre dapproches reprennent lide pdagogique dj utilise
dans le systme Buggy [Brown et Burton 78] et ses drivs (Debuggy et
Idebuggy) qui stipule quune erreur trouve dans une solution dun apprenant
est en gnral un indice de mauvaise comprhension du domaine
denseignement et une connaissance de plus sur lapprenant. Ceci dfini
priori un lien systmatique entre les erreurs et les composantes du domaine
ainsi que dautres considrations que nous exploitons dans le processus
dvaluation propos dans cette thse.

Conclusion
Nous pouvons dduire de la prcdente tude que la conception de domaines
denseignement ainsi que celles de certaines activits dapprentissage, basiques pour
un apprentissage par lexercice telle que lvaluation des connaissances des
apprenants est une problmatique peu aborde en particulier quand il y a lieu
dutiliser lors de lapprentissage des questions ouvertes pour lesquelles lapprenant
construit des rponses libres. Lutilisation des ontologies semble donc tre une
direction de recherche intressante qui pourra sensiblement contribuer au
dveloppement de lauto-apprentissage avec les EIAH. En effet la reprsentation
dun domaine denseignement sous forme dun modle ontologique va permettre de
dgager la smantique dun domaine pour un apprentissage par lexercice et facilitera
priori toute opration sur ce domaine. Cest ce concept que nous nous proposons
dexaminer dune faon plus prcise dans le chapitre suivant.

21

Chapitre II : Les Ontologies

CHAPITRE II
Les Ontologies

Introduction
Les ontologies sont lheure actuelle parmi les modles les plus voqus en
Ingnierie des Connaissances (IC). Visant tablir des reprsentations travers
lesquelles les machines puissent manipuler la smantique des informations, la
construction des ontologies demande la fois une tude des connaissances humaines
et la dfinition de langages de reprsentation, ainsi que la ralisation de systmes
pour les manipuler. Les ontologies participent donc pleinement aux dimensions
scientifique et technique de lIntelligence Artificielle (IA).
Au fur et mesure des exprimentations, des mthodologies de construction
dontologies et des outils de dveloppement adquats sont apparus. Emergeant des
pratiques artisanales initiales, une vritable ingnierie se constitue autour des
ontologies, ayant pour but leur construction et leur gestion tout au long dun cycle de
vie. Le champ dapplication des ontologies ne cesse de slargir et couvre les
systmes conseillers (systmes daide la dcision, systmes denseignement assist
par ordinateur), les systmes de rsolution de problmes ou les systmes de gestion
de connaissances. Un des plus grands projets bass sur lutilisation dontologies
consiste ajouter au Web une vritable couche de connaissances permettant, dans un
premier temps, des recherches dinformations au niveau smantique et non plus
simplement syntaxique. Lenjeu de leffort engag est de rendre les machines
suffisamment sophistiques pour quelles puissent intgrer le sens des informations,
qu lheure actuelle, elles ne font que manipuler formellement.
Dans nos travaux, nous nous intressons aux ontologies appliques aux EIAH. Ce
chapitre prsente donc la notion dontologie travers les besoins auxquels elle
rpond dans notre contexte, la place quoccupent les ontologies dans le processus de
reprsentation des connaissances et les diffrents lments dont elles sont
constitues. Une deuxime partie de ce chapitre est consacre aux diffrentes
mthodologies dveloppes pour construire, valuer et maintenir les ontologies ainsi
que les principaux langages et outils correspondants. Nous examinons pour finir
lapplication des ontologies au domaine des EIAH travers des exemples.

II-1- Notion dOntologie


Avant son introduction en Intelligence Artificielle (IA), le terme dontologie tait
dj utilis en philosophie depuis le XIXime sicle. Dans ce domaine, lOntologie
dsigne ltude de ce qui existe, cest dire lensemble des connaissances que lon a
sur le monde. En IA, de faon moins ambitieuse, on ne considre que des ontologies,
22

Chapitre II : Les Ontologies

relatives aux diffrents domaines de connaissances. Cest loccasion de


lmergence de lingnierie des connaissances que les ontologies sont apparues en
IA. Lingnierie des connaissances (IC) est une branche de lIA issue de ltude des
Systmes Experts (SE). Si ces derniers navaient pour objet que la rsolution
automatique de problmes, les Systmes Base de Connaissances (SBC) qui leur ont
succd sont censs permettre le stockage et la consultation de connaissances, le
raisonnement automatique sur les connaissances stockes (sans prjug sur le type de
raisonnement mener), la modification des connaissances stockes (ajout ou
suppression de connaissances), et, avec le dveloppement des rseaux, le partage de
connaissances entre systmes informatiques. De manire gnrale, il sagit plus de
faire manipuler les connaissances la machine, qui restitue la fin la solution du
problme, en permettant un dialogue et une coopration entre le systme et
lutilisateur humain (comme cest le cas avec les EIAH, les systmes daide la
dcision et des systmes de recherche dinformation sur le web). Plus prcisment,
les reprsentations symboliques utilises dans les machines doivent avoir du sens
aussi bien pour la machine que pour les utilisateurs. Le sens est, dans le cas des
SBC, essentiellement dfini par les liens entre les connaissances eux mme
reprsents comme des connaissances.
Pour cela, la reprsentation des connaissances sous forme de rgles logiques, utilise
dans les Systmes Experts, ne suffit plus. Pour modliser la richesse smantique des
connaissances, de nouveaux formalismes sont introduits, qui reprsentent les
connaissances au niveau conceptuel, y compris la structure cognitive dun
domaine.
Most KR formalisms differ from pure first-order logic in their structuring power,
i.e. their ability to make evident the structure of a domain [Guarino 94]. Les
langages base de frames, les logiques de descriptions et les graphes conceptuels
sont des exemples de tels formalismes. Ces langages permettent de reprsenter les
concepts sous jacents un domaine de connaissance, les relations qui les lient, et la
smantique de ces relations, indpendamment de lusage que lon souhaite faire de
ces connaissances. Ainsi, une mme base de connaissance peut tre utilise en
consultation ou comme base de raisonnement.
Toutefois, il convient de souligner que la conceptualisation dun domaine de
connaissance ne peut se faire de manire non ambigu que dans un contexte dusage
prcis. Par exemple, un mme terme peut dsigner deux concepts diffrents dans
deux contextes dusage diffrents [Bachimont 00]. On ne peut donc mener de faon
totalement indpendante la reprsentation des connaissances dun domaine et la
modlisation des traitements que lon souhaite leur appliquer. En dautres termes,
modliser des connaissances ne peut se faire que dans un domaine de connaissance
donn, et pour un but donn, condition ncessaire lunicit de la smantique
associe aux termes du domaine.
Certains auteurs estiment cependant que les ontologies sont, par nature, destines
tre rutilises [Fernandez & al. 97], et sattachent construire des ontologies dont la
smantique soit indpendante de tout objectif oprationnel. De plus, il ne faut pas
oublier que lordinateur ne manipule que des symboles, il nest quun mdiateur de
connaissances, linstar dun livre, et la smantique des reprsentations symboliques
manipules nest construite que par les utilisateurs de lordinateur [Bachimont 99].

23

Chapitre II : Les Ontologies

Cette smantique est cependant fortement contrainte par la faon dont les symboles
sont utiliss dans la machine. Cest pourquoi N. Guarino plaide dans [Guarino & al.
94b] pour lintroduction dun niveau ontologique entre le niveau conceptuel (o
linterprtation est subjective, comme au niveau linguistique), et le niveau
pistmologique, structur (o linterprtation est arbitraire). Au niveau ontologique,
les primitives utilises pour reprsenter les connaissances ne sont plus des mots du
langage naturel, ou des primitives conceptuelles, et pas encore des prdicats
logiques, mais des noncs qui donnent le sens des connaissances, avec une
interprtation contrainte. Fortement lie la smantique interprtative, la smantique
de lontologie est, idalement, indpendante de la smantique oprationnelle, mais
cependant partiellement contrainte par cette dernire.
Les ontologies sont donc des reprsentations de connaissances, contenant des termes
et des noncs qui spcifient la smantique dun domaine de connaissance donn
dans un cadre oprationnel donn. Le terme ingnierie ontologique a t propos
par R. Mizoguchi [Mizoguchi & Ikeda 97] pour dsigner un nouveau champ de
recherche ayant pour but la construction de systmes informatiques tourns vers le
contenu, et non plus vers les mcanismes de manipulation de linformation.
Avant de dcrire plus prcisment les lments conceptuels reprsents dans les
ontologies, nous allons affiner la dfinition dune ontologie en replaant cette notion
au sein du processus gnral de reprsentation des connaissances.

II-2- Les Ontologies et Reprsentation des Connaissances


Utilises pour le besoin de reprsentation de connaissances dans les systmes
informatiques, les ontologies sont dfinies en se basant sur la proposition suivante de
T. Gruber, une ontologie est une spcification explicite dune conceptualisation
[Gruber 93].
La construction dune ontologie nintervient donc quaprs une tape de
conceptualisation qui consiste identifier, au sein dun corpus, les connaissances
spcifiques au domaine de connaissances reprsenter. A conceptualisation is an
abstract, simplified view of the world that we wish to represent for some purpose
[Gruber 93].
N. Guarino affine la dfinition de T. Gruber en considrant les ontologies comme des
spcifications partielles et formelles dune conceptualisation [Guarino & Giaretta
95]. Les ontologies sont formelles car exprimes sous forme logique, et partielles car
une conceptualisation ne peut pas toujours tre entirement formalise dans un cadre
logique cause des limites des langages logiques exprimer certaines smantiques
conues dans lontologie.
Il est donc ncessaire de pouvoir construire une premire modlisation semiformelle, partiellement cohrente, correspondant une conceptualisation semiformalise. On parle alors dontologie conceptuelle, semi-formelle, et le processus de
spcification en question est appel ontologisation [Kassel & al. 00]. Dans tous les
cas, il est ncessaire de traduire cette ontologie dans un langage formel et
oprationnel de reprsentation de connaissances afin de pouvoir lutiliser dans une

24

Chapitre II : Les Ontologies

machine. Le langage cible doit donc permettre de reprsenter les diffrents types de
connaissances (connaissances terminologiques, faits, rgles et contraintes) et de
manipuler ces connaissances travers des mcanismes adapts lobjectif
oprationnel du systme conu. Ce processus de traduction est appel
oprationnalisation. Une base de connaissances contient les connaissances utilises
dans un Systme Base de Connaissances. Ces connaissances sont formalises et des
mcanismes permettent de grer la base pour consulter des connaissances ou en
ajouter.
En somme, lontologie est un systme de termes primitifs utiliss dans la
construction de systmes artificiels ou une "mtabase de connaissance" [Bourdeau &
Mizoguchi 02]. En ce sens, lontologie est un type particulier de modle de
connaissances [Paquette 02] permettant de construire une ou plusieurs bases de
connaissances du mme type.

II-3- Les Constituants dune Ontologie


Les connaissances traduites par une ontologie sont vhiculer laide des cinq
lments suivants [Gmez & Prez 99] : 1) Concepts; 2) Relations ; 3) Fonctions ; 4)
Axiomes; 5) Instances.

Les concepts, aussi appels termes ou classes de lontologie, correspondent aux


abstractions pertinentes dun segment de la ralit (le domaine du problme
considr), retenues en fonction des objectifs quon se donne et de lapplication
envisage pour lontologie. Selon [Gmez & Prez 99], ces concepts peuvent tre
classifis selon plusieurs dimensions : 1) niveau dabstraction (concret ou
abstrait) ; 2) atomicit (lmentaire ou compose) ; 3) niveau de ralit (rel ou
fictif). Diffrents auteurs conviennent quun concept peut tre reprsent par
diffrents termes.

Les relations ou liens traduisent les associations (pertinentes) existant entre les
concepts prsents dans le segment analys de la ralit. Ces relations incluent les
associations suivantes: 1) Sous-classe-de (gnralisation spcialisation souvent
appel lien is a) ; 2) Partie-de (agrgation ou composition) ; 3) Associe- ; 4)
Instance de, etc. Ces relations nous permettent dapercevoir la structuration et
linterrelation des concepts, les uns par rapport aux autres.
Les relations taxonomiques ou de subsomption, priori, vont permettre de
construire des hirarchies strictes entre les concepts. Pour cela dans les diffrents
travaux sur les ontologies, seule la relation is a est gnralement cite de
taxonomique ou de subsomption. Cependant dans certains cas particuliers
dontologies, dautres relations peuvent tre taxonomiques, cest le cas de la
relation de composition (part of), quand elle dfinit une hirarchie stricte.

Les fonctions constituent des cas particuliers de relations, dans laquelle un


lment de la relation, le nime (extrant) est dfini en fonction des n-1 lments
prcdents (intrants). Nous notons nanmoins que ce constituant dontologie est

25

Chapitre II : Les Ontologies

rarement voqu dans la description dontologies. Nous pensons que cela est du
au fait que les relations fonctionnelles entre concepts sont plutt prsentes dans
certains domaines scientifiques comme la physique, la chimie,

Les axiomes ou rgles dinfrence permettant de dfinir certaines proprits des


relations sous forme dassertions, acceptes comme vraies, propos des
abstractions du domaine traduites par lontologie. Les axiomes reprsentent les
intensions des concepts et des relations du domaine et, de manire gnrale, les
connaissances nayant pas un caractre strictement terminologique [Staab &
Maedche 00]. Ils spcifient la faon dont les primitives terminologiques du
domaine (i.e. les concepts et relations) peuvent tre utilises. Ces axiomes sont
spcifiques aux ontologies et les distinguent des thesaurus, qui ne reprsentent
que des terminologies alors que les ontologies intgrent des connaissances au
sens large.
Certains axiomes se retrouvent dans de nombreuses ontologies et/ou sont
communs de nombreuses primitives de lontologie. On appelle ici ces axiomes
particuliers des schmas daxiome. Ces schmas daxiomes, peuvent tre :
les proprits algbriques dune relation (symtrie, rflexivit, transitivit);
la proprit de subsomption entre concepts ou entre relations (relation is a);
la cardinalit dune relation;

Certains schmas daxiomes sont intgrs dans les formalismes de reprsentation


de connaissances utiliss pour dcrire des ontologies. Par exemple, la relation is a
apparat bien dans les formalismes de type Entit-Relation et Graphes
Conceptuels.
Des proprits propres au domaine de connaissances considr peuvent
galement apparatre et tre incluses dans lontologie. Par exemple, dans le
domaine de lapprentissage, laxiome : un exercice value deux ou plusieurs
notions est une proprit de cardinalit de la relation entre le concept exercice et
le concept notion (reprsent par les formalismes du genre entit _association ou
UML). Par contre, laxiome Si un exercice EX value un item de connaissance
KI et si lerreur R est possible sur KI alors R est possible sur EX ne relve pas
dun schma daxiome au sens donn plus haut car cest une rgle que les
formalismes graphiques expriment rarement mais qui doit tre incluse dans
lontologie sous forme dun axiome car il participe la dfinition de la
smantique du domaine.

Les instances constituent la dfinition extensionnelle de lontologie; ces objets


vhiculent les connaissances (statiques, factuelles) propos du domaine du
problme.

26

Chapitre II : Les Ontologies

II-4- Typologie Selon lObjet de Conceptualisation


Les ontologies classifies selon leur objet de conceptualisation par diffrentes
rfrences bibliographiques notamment : [Gmez &Prez 99b], [Guarino 97b],
[Mizoguchi 98], , le sont de la faon suivante : 1) Reprsentation des
connaissances; 2) Suprieure/ Haut niveau; 3) Gnrique ; 4) Domaine ; 5) Tche; 6)
Application.

Ontologie de reprsentation des connaissances [Gmez & Prez 99a], [Van


Heijst & al. 97] ce type dontologies regroupe les concepts (primitives de
reprsentation) impliqus dans la formalisation des connaissances. Un exemple
est lontologie de Frame qui intgre les primitives de reprsentation des langages
base de frames : classes, instances, facettes, proprits/slots, relations,
restrictions, valeurs permises, etc.

Ontologie suprieure ou de Haut niveau [Guarino 97a], [Sowa 95a], [Sowa


95b]. Cette ontologie est une ontologie gnrale. Son sujet est ltude des
catgories des choses qui existent dans le monde, soit les concepts de haute
abstraction tels que: les entits, les vnements, les tats, les processus, les
actions, le temps, l'espace, les relations, les proprits. L'ontologie de haut niveau
est fonde sur : la thorie de l'identit et la thorie de la dpendance. Guarino et
Sowa ont poursuivi chacun indpendamment des recherches sur la thorie de
lontologie. Tous deux intgrent les fondements philosophiques comme tant des
principes suivre pour concevoir lontologie de haut niveau ou suprieure. Sowa
introduit deux concepts importants, Continuant et Occurrent, et obtient douze
catgories suprieures en combinant sept proprits primitives. Lontologie
suprieure de Guarino consiste en deux mondes : une ontologie des Particuliers
(choses qui existent dans le monde) et une ontologie des Universels comprenant
les concepts ncessaires dcrire les Particuliers. La conformit aux principes de
lontologie suprieure a son importance, lorsque le but est de standardiser la
conception des ontologies.

Ontologie Gnrique [Gmez & Prez 99b], [Gmez & Prez 99a], [Van Heijst
& al. 97]. Cette ontologie aussi appele, mta-ontologies ou core ontologies,
vhicule des connaissances gnriques moins abstraites que celles vhicules par
lontologie de haut niveau, mais assez gnrales nanmoins pour tre rutilises
travers diffrents domaines. Elle peut adresser des connaissances factuelles
(Generic domain ontoloy) ou encore des connaissances visant rsoudre des
problmes gnriques (connaissances procdurales) appartenant ou rutilisables
travers diffrents domaines (Generic task ontoloy). WordNet [Miller 88] par
exemple est une ontologie dont le but est de reprsenter la langue naturelle
anglaise. WordNet est un systme de rfrences lexicales dont la conception a t
inspire par les thories de la mmoire linguistique humaine. Elle est compose
densembles de synonymes appels synsets, o chaque terme est regroup en
classes dquivalence smantique. Chaque ensemble de synonymes reprsente un
concept particulier. Chaque terme appartient de plus une catgorie lexicale
donne (nom, verbe, adverbe, adjectif). Un terme peut appartenir plusieurs
synsets et plusieurs catgories lexicales. Les ensembles de synonymes sont
associs par des relations smantiques : gnricit/spcificit, antonymie (relation
entre ensembles de mots qui, par leur sens, sopposent). WordNet couvre le

27

Chapitre II : Les Ontologies

domaine de la langue gnrale en intgrant le sens des mots dans diffrents


domaines.

Ontologie du Domaine [Mizoguchi & al.00]. Cette ontologie rgit un ensemble


de vocabulaires et de concepts qui dcrit un domaine d'application ou monde
cible. Elle permet de crer des modles d'objets du monde cible. L'ontologie du
domaine est une mta-description d'une reprsentation des connaissances, c'est-dire une sorte de mta-modle de connaissance dont les concepts et proprits
sont de type dclaratif. La plupart des ontologies existantes sont des ontologies
du domaine. Selon Mizoguchi, l'ontologie du domaine caractrise la
connaissance du domaine o la tche est ralise. Dans le contexte de la
formation, un domaine serait par exemple : la pdagogie.

Ontologie de Tches [Mizoguchi & al.00]. Ce type dontologies est utilis pour
conceptualiser des tches spcifiques dans les systmes, telles que les tches de
diagnostic, de planification, de conception, de configuration, de tutorat, soit tout
ce qui concerne la rsolution de problmes. Elle rgit un ensemble de
vocabulaires et de concepts qui dcrit une structure de rsolution des problmes
inhrente aux tches et indpendante du domaine. Selon [Mizoguchi & al.00],
l'ontologie de tche caractrise l'architecture computationnelle d'un systme
base de connaissances qui ralise une tche. Deux exemples d'utilisation de
l'ontologie de tche dans le domaine de l'ducation sont les suivants : 1)
l'ontologie de formation par ordinateur - Computer Based Training Ontology [Jin
& al. 99] - qui rgit un ensemble de concepts spcifiques un systme
d'apprentissage inhrent des ontologies de tche ; et 2) l'ontologie des objectifs
d'apprentissage - Learning Goal Ontology [Inaba & al.00] - qui dcrit les rles
des apprenants et des agents dans le cadre d'un apprentissage collaboratif.

Ontologie d'Application. Cette ontologie est la plus spcifique. Les concepts


dans lontologie d'application correspondent souvent aux rles jous par les
entits du domaine tout en excutant une certaine activit [Maedche 02]. Par
exemple on a lontologie dapplication pour lapprentissage des statistiques, ou
encore pour effectuer des recherches dans le domaine de lastronomie, etc. Ce
type dontologie est rarement rutilisable du fait quil est spcifique une tche
donne dun domaine spcifique.

II-5- Langages et Outils pour les Ontologies


Au fil des annes, lutilisation des ontologies en ingnierie des connaissances a
connu diffrents langages et outils. Nous rencontrons essentiellement des langages de
reprsentation dontologies conceptuelles, des langages de reprsentation
dontologies oprationnelles ou formelles et des outils dditions et de visualisation.

II-5-1. Les Langages


Une des principales dcisions prendre dans le procd de dveloppement
dontologies consiste choisir le langage (ou lensemble des langages) dans lesquels

28

Chapitre II : Les Ontologies

lontologie sera exprime et utilise. Lingnierie des connaissances a les exigences


suivantes concernant ces langages [Baneyx 07] :

la lisibilit : le langage doit tre comprhensible pour un utilisateur humain et


doit donc avoir une certaine continuit avec le langage naturel ;
la portabilit : le langage choisi doit tre le plus standard possible pour
pouvoir tre rutilis dans dautres systmes et
la possibilit de faire des infrences : le langage doit permettre le traitement
informatique des donnes en vue de calculer les dductions logiques
possibles.

Les langages conceptuels des ontologies ont successivement volu des moyens de
reprsentation utiliss par les systmes base de connaissances comme les
reprsentations logiques, les rseaux smantiques, les langages objets, le langage
UML et les reprsentations hybrides vers les langages du Web smantique tels que
les graphes conceptuels et les logiques de description.
Dun point de vue oprationnel, on peut btir une ontologie grce aux langages de
programmation logique classique tels que Prolog et Lisp. Mais, plus souvent, on
utilise des modles et langages spcialiss pour la construction dontologies tels que
OKBC (Open Knowledge base Connectivity)1 et KIF (Knowledge Interchange
format)2. On peut galement utiliser des langages plus avancs tel que DAML+OIL3
ou les standards qui en merg auprs du W3C et qui sont utiliss par le Web
smantique tels que XML, RDF, RDFS et OWL (Ontology Web Language). Le
choix du bon langage de dveloppement dpend notamment du degr de nuance et de
sophistication ncessaire pour rpondre au besoin fonctionnel. De plus en plus, ces
langages tendent intgrer RDF comme technologie fondamentale pour intgrer les
donnes prsentes sur le Web.

II-5-2 Les outils ddition


De nombreux outils de construction dontologies (dition et visualisation) utilisent
des formalismes varis et offrent diffrentes fonctionnalits. Tous ces outils offrent
des supports pour le processus de cration dontologies, mais peu offrent une aide
la conceptualisation. Parmi ces outils, nous citons les trois suivants :

DOE (Differential Ontologie Editor)4 offre la possibilit de construire les


hirarchies de concepts et relations en utilisant les principes diffrentiels
noncs par B. Bachimont, puis en ajoutant les concepts rfrentiels. La
smantique des relations est ensuite prcise par des contraintes. Ce nest
quune fois lontologie ainsi structure quelle est formalise en utilisant la
syntaxe XML.

http://www.ai.sri.com/~stickel/snark.html
Knowledge Interchange Format draft proposed American National Standard:
http://logic.stanford.edu/kif/dpans.html
3
http://www.daml.org
4
DOE. (2002). Differential Ontology Editor Home Page, http ://opales.ina.fr/public
2

29

Chapitre II : Les Ontologies

PROTEGE 20005 est une interface modulaire permettant ldition, la


visualisation, le contrle (vrification des contraintes) dontologies, et la
fusion semi-automatique dontologies. Le modle de connaissances sousjacent PROTEGE-2000 est issu du modle de frames et contient des classes
(concepts), des slots (proprits) et des facettes (valeurs des proprits
et contraintes), ainsi que des instances de classes et des proprits. Il
autorise la dfinition de mta-classes, dont les instances sont des classes,
ce qui permet de crer son propre modle de connaissances avant de btir une
ontologie.

Ontolingua6 est un serveur localis lUniversit de Stanford qui permet un


utilisateur, ou groupe dutilisateurs, de visualiser des ontologies existantes et
de construire cooprativement de nouvelles ontologies. Laccs au serveur
seffectue au moyen dun browser Web standard. Plusieurs fonctionnalits
sont offertes : la rutilisation (par fusion et/ou extension) dontologies
existantes dans diffrents domaines, stockes dans une bibliothque ; une aide
au travail coopratif permettant un groupe gographiquement distribu de
construire collaborativement une ontologie ; lexportation dontologies dans
diffrents formats pour utilisation dans des applications ;

II-6- Les Ontologies et les EIAH


Le rle de linformatique cognitive dans la conception des EIAH nest plus
dmontrer et les quipes de recherche poursuivent leurs efforts dans le but
daugmenter ou denrichir lintelligence dans ces environnements, ainsi que la
qualit du processus de conception-dveloppement.
De faon gnrale, lapport spcifique de lingnierie ontologique pour les EIAH
serait la reprsentation formelle de connaissances dclaratives, couple un
mcanisme dinfrence exploitable par ces environnements [Psych & al. 03]. La
construction dune ontologie se fait par la voie dun consensus, et reprsente ainsi la
comprhension partage a priori dun groupe ou dune communaut, au lieu, comme
cest le cas dans la plupart des systmes, de reposer sur une signification donne
relativement un besoin auquel, les autres possibles utilisations, doivent sajuster.

II-6-1- Principales utilisation des ontologies dans les EIAH


Plusieurs travaux de recherche tels que [Uschold & Grninger 96], [Gmez-Prez
00] ont discut certaines utilisations des ontologies qui sont plus rencontres et plus
dveloppes pour le cas des systmes de-learning. Nous reprenons notamment les
points suivants :

5
6

Rutilisation et partage dobjets pdagogiques. Dans la construction de


nouveaux systmes de conception en assemblant des objets pdagogiques dj
Protege2000 Ontology Editor Home Page, http://protege.stanford.edu/.
http://www-ksl.stanford.edu/knowledge-sharing/ontologies/html/reference-manual/index.html

30

Chapitre II : Les Ontologies

construits et disponibles, lontologie assurerait la base pour un encodage formel


des entits, attributs, leurs interrelations dans le domaine dintrt. Cette
reprsentation formelle serait rutilisable par dautres systmes, au moyen dune
traduction automatique (ou partageable). Dans le cas du partage dobjets
pdagogiques : lorsque le but est lutilisation dobjets par plusieurs systmes
diffrents lontologie permet la mise en correspondance des contenus
smantiques des objets.

Reprage dobjets pdagogiques : lontologie est utilise comme mta


descripteur afin de dcrire le contenu smantique associ aux objets
pdagogiques.

Acquisition de connaissances : lutilisation dontologies contribue augmenter


la vitesse et la fiabilit du processus dacquisition de connaissances lors de la
construction dun systme de conception de cours, dorganisation dobjets
pdagogiques et la structuration ou gestion de banque dobjets (ressources) sur un
domaine.

Spcification dune conceptualisation : lontologie peut tre utilise pour


dfinir les spcifications (domaine, tche, application) pour un systme de
formation.

II-6-2- Exemples de projets de conception/dveloppement dEIAH utilisant les


ontologies
Des usages tels que la communication, linteroprabilit, le partage, la rutilisation et
lorganisation intelligente des objets pdagogiques dus lexploitation des
ontologies, n'apparat non seulement utile mais ncessaire pour lavenir des EIAH.
Nous proposons dans ce qui suit quelques exemples tirs du travail de synthse dans
[Psych & al.03], o les ontologies sont utilises dans les processus de conception /
dveloppement dEIAH. Nous avons :

Dans le projet de reprage et de visualisation du modle de lapprenant [Apted &


al. 03], un outil de reprage et de visualisation, VIUM, a t conu pour permettre
lusager de slectionner un concept central sur lcran. Une ontologie est
utilise pour sassurer que les concepts les plus proches smantiquement sont
visibles. Cette slection de concepts rendus visibles est une partie essentielle de
la visualisation qui assiste les apprenants dans lexploration de domaines
comprenant des centaines de concepts.

Dans le projet IMAT [Desmoulins & Grandbastien 02], une ontologie est utilise
pour lindexation des briques de documents des fins de composition dynamique
de documents dpendamment des contextes dutilisation (technique, mdiatique,
domaine, ou pdagogique). Lontologie pdagogique quils utilisent permet
dattribuer des rles aux briques ainsi que des attributs qualitatifs et des
contraintes dorganisation des briques dans le document final.

31

Chapitre II : Les Ontologies

Dans le projet de dveloppement de lenvironnement de conception de cours,


SmartTrainer [Hayashi & al. 99], le rle de lontologie est de grer la
communication entre les agents lintrieur de lenvironnement.

Dans le projet de dveloppement denvironnements pour favoriser


lapprentissage collaboratif [Inaba00], [Inaba01], les travaux portent sur la
construction dune ontologie pour reprsenter les concepts communs des thories
dapprentissage collaboratif.

Dans le projet de dveloppement de lenvironnement de conception de


curriculum CREAM et de tutorat CREAM-TOOL [Nkambou & al. 03], un
environnement de type tuteur pour la gnration automatique de curriculum
CREAM-TOOLS - a t conu. Les quatre ontologies constituant la base du
curriculum de ce systme (une ontologie de capacits, une ontologie dobjectifs,
une ontologie de ressources et une ontologie de liens) servent dcrire un
module de capacits dapprentissage, un module dobjectifs dapprentissage, un
module de ressources didactiques et des liens de couplage entre les trois modules
prcdents.

Dans le projet DIVA-BCTA [Paquette & al. 03)], les objectifs consistent en la
cration dune base de connaissances sur le tlapprentissage par le
dveloppement dune ontologie du domaine et le regroupement de lexpertise sur
le tlapprentissage dans des objets pdagogiques rfrencs en fonction de cette
ontologie. Le rle de cette ontologie du domaine est de servir de systme
dindexation et de classification aux objets pdagogiques. Par ailleurs, une
ontologie de tche permet de dfinir diffrents cas ou scnarios dutilisation de
ces objets, identifis grce leur rfrencement en fonction de lontologie du
domaine. Le rle de cette ontologie de tche est de fournir des rponses aux
requtes des utilisateurs de la base.

II-6-3- Evaluation des apprenants et ontologies dans les EIAH de type learning
by doing
Pour les EIAH bass sur lapprentissage par lexercice (learning by doing), la
reprsentation des exercices et lautomatisation de la correction des solutions sont
trs importants pour favoriser lauto apprentissage et dynamiser lapprentissage.
Si les ontologies sont utilises dans diffrents travaux sur la conception gnrale des
EIAH et pour lindexation et gestion de cours, leurs utilisations pour lvaluation des
apprenants est encore ses dbuts mme si, comme objectif dexploitation de
lontologie dveloppe, nous lavons lus dans diffrents travaux. En effet, dans
lenvironnement O-DEST [Snae & Brueckner 07], lontologie du processus
dapprentissage , telle quelle est appele par les auteurs, contient des mthodes
dapprentissage, des activits dapprentissage, des cours, Une valuation des
apprenants base sur des questionnaires est parmi les fonctionnalits cites en
perspectives pour O-DEST.
Le projet MEMORAe [Fontaine & al. 06], pour sa part, est bas sur lutilisation
dune ontologie dapplication destine lindexation des ressources pdagogiques

32

Chapitre II : Les Ontologies

pour permettre une navigation utilisant les relations dfinies dans lontologie. Cette
ontologie reste alors difficilement utilisable pour dautres activits autres que celle de
recherche de ressources pour laquelle elle est construite.
Nous sommes aussi trs intresss par les travaux sur le systme ACTIVEMATH
[Goguadze, 09]. Celui- ci est tuteur intelligent via le Web (un Web-ITS : Web
intelligent tutoring system) bas sur la correction automatique dexercices et
lvaluation des connaissances des apprenants utilisant des requtes sur la base des
connaissances du domaine (ce qui relve du domaine du Web smantique, en pleine
expansion en e-learning ces dernires annes). Cependant, ce qui est propos est
spcifique au domaine des mathmatiques.
Aussi [Sampson & al. 02] et [Smrz 04] ont voqu lintrt de lutilisation des
ontologies pour lvaluation des apprenants comme perspectives pour leurs travaux.
Dans le cadre de cette thse, nous somme intresss par une ontologie de domaine
pour la reprsentation de domaines denseignement en gnral. Chaque instanciation
de cette ontologie donne lieu une base de connaissances dun domaine particulier.
Les lments de notre ontologie sont exploitables par diffrentes activits lies
lenseignement et/ou lapprentissage par lexercice donc adapts une utilisation par
une valuation automatise de ltat de connaissances des apprenants.

Conclusion
Ltude mene dans ce chapitre permet de mettre en vidence deux types de
modlisations :

une modlisation pour donner du sens, autrement dit, une modlisation des
connaissances ontologiques conduisant la dfinition dune ontologie
conceptuelle;
et une modlisation pour implmenter un systme conduisant une ontologie
computationnelle.

Devenues un lment essentiel pour beaucoup de domaines des connaissances, les


ontologies fournissent un vocabulaire commun qui tmoigne dune comprhension
partage dun domaine, et qui est essentiel pour la constitution dune mmoire
commune pour tout systme.
Le survol de ltat de lart sur lutilisation des ontologies dans les EIAH de type
learning by doing pour raliser lactivit dvaluation des apprenants montre que
lintrt est exprim par diffrents travaux mais sans existence de propositions
concrtes et explicites de modle ontologique de domaine qui tienne compte des
exigences du complexe processus dvaluation automatise des apprenants en
particulier en cas de questions ouvertes. De ce fait, nous nous intressons, dans le
cadre de cette thse, une ontologie pour la reprsentation de domaine
denseignement destin pour un apprentissage par lexercice et donc exploitable par
un processus dvaluation des connaissances des apprenants bas sur la notion
derreur. Le chapitre suivant dtaille le modle ontologique propos.
33

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

CHAPITRE III
Les Ontologies pour la Modlisation
dun Domaine d'Enseignement

Introduction
Le concept de learning by doing de John Dewey est dvelopp de nos jours pour tre
utilis comme ressource pour dvelopper des mthodologies telles que lapprentissage
par projet, lapprentissage par groupe ou la rsolution de problmes. Lapprenant est
donc confront dun ct aux savoirs techniques et thoriques et de lautre la pratique
pour acqurir la capacit de crer des liens entre la pratique et le domaine enseign.
La conception de domaines denseignements pour produire des reprsentations adaptes
un apprentissage par lexercice est essentielle. En effet, lactivit pivot de tout
learning by doing est lvaluation des connaissances, ce qui induit la ncessit de
modliser les domaines de telle sorte faciliter lautomatisation de ce processus
dvaluation.
Dans ce chapitre nous introduisons dabord le contexte de notre tude travers la
problmatique aborde, les objectifs fixs ainsi que larchitecture gnrale de
lenvironnement que nous nous proposons de mettre en uvre. Ensuite, notre
proposition pour la modlisation de domaine dans les EIAH de type learning by doing
est prsente en indiquant lapproche de modlisation ainsi que le modle ontologique
du domaine synthtis dans un diagramme de classes UML1.

III-1- Auto-Apprentissage par lExercice


Notre principale vision dun environnement dauto-apprentissage par lexercice en
gnral dcoule dune vue simultane sur les plates formes de e-learning et sur les
tuteurs intelligents. Ceci veut dire que nous recherchons un environnement
dapprentissage aussi conviviale que les plates formes (interfaces agrables et moyens
de communication diverses et souples) et des fonctionnalits automatises dacquisition
et de manipulation de connaissances (pdagogique, du domaines et relatives
lapprenant) aussi dveloppes que celles des tuteurs intelligents.

UML : Unified Modelling Language

34

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

III-1-1- Problmatique et Objectifs


Pour concrtiser cette vision, nous considrons que doivent tre pris en compte les
points suivants travers les objectifs qui y sont rattachs :

Isolement des utilisateurs des systmes informatiques dauto-formation : Parmi les


caractristiques dun systme dauto-formation est lapprentissage de lapprenant
avec un systme automatis. Aussi intelligent que puisse tre ce systme, il y a
des situations de blocage de lapprenant face aux comportements du systme (liste
derreurs non convaincante, explication inadquate, .) o il voudrait communiquer
avec un humain (tuteur, concepteur, expert du domaine) pour mettre ses dolances.
Si ce besoin de communication sans rponses est rcurrent, lapprenant sennuie et
perd tout intrt pour lapprentissage avec le systme en question.
Objectif 1 : Nous nous proposons de concevoir un systme dauto-apprentissage par
lexercice distance. Ceci veut dire que les utilisateurs (apprenant, concepteurs,
experts, tuteurs,) ont la possibilit dinterroger les diffrentes fonctionnalits du
systme et de communiquer entre eux via un rseau notamment Internet ou un
Intranet. Do la ncessit du dveloppement de ce systme comme une application
Web.

Imbrication des lments enseigner avec leurs formats de prsentation : En elearning, on conoit en gnral, les lments enseigner (que les uns appellent
objets pdagogique, dautres contenu ou encore matriaux pdagogique,)
imbriqus avec leurs prsentations respectives. Ceci pose le problme de la
rutilisabilit et de la souplesse de manipulation et de transmission de ces lments.
Dautre part, nous trouvons une ambigut issue des diffrentes appellations des
composantes de la matire enseigner o le niveau de granularit est vague et les
limites avec les composantes relatives la pdagogie ou la modlisation de
lapprenant ne sont plus aussi bien dfinies quavec les tuteurs intelligents.
Objectif 2 : Il convient dexaminer le concept de domaine denseignement plutt
que les diffrents concepts vhiculs qui ont chacun une porte relative. Donc nous
distinguons les connaissances du domaine enseigner des autres connaissances
relatives la pdagogie, la reprsentation de lapprenant ou aux modules
dinterfaage. Ceci dune part, dautre part nous avons lobjectif de reprsenter la
structure du domaine indpendamment de ses ressources [Fontaine & al. 06]. Nous
avons donc une spcification structurelle interne dun domaine laquelle
correspondent des ressources multimdias sous diffrents formats de prsentations
affiches. Ds le dpart, on pense une conception du domaine avec des ontologies
et la description des ressources pdagogiques avec le langage XML en se basant sur
la norme LOM pour les rubriques de spcifications.

Faiblesse des modules dvaluation automatise des connaissances des apprenants :


Parmi les caractristiques qui renforcent lintrt pour un systme dauto-formation,
lapprentissage par lexercice avec valuation automatise de la progression des
apprenants. Or, dans la majorit des plates formes existantes, lvaluation des
connaissances des apprenants se rduit des questionnaires simples sans la
possibilit de correction de solutions compltement rdiges par lapprenant
(questions ouvertes). Ainsi, il est difficile dapprocher une bonne estimation des

35

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

connaissances dun apprenant dans un domaine donc impossible de gnrer des


sessions adaptes.
Objectif 3 : Intgration dun systme automatis dvaluation automatise des
rponses libres des apprenants aux questions ouvertes. Ce systme a besoin
dapproches et de techniques pour : le diagnostic des erreurs, la notation des
apprenants et la mise jour du modle apprenant pour ensuite favoriser le calcul des
profils respectifs des apprenants.
Sachant particulirement que lanalyse smantique est un processus heuristique, son
excution par les apprenants peut faire objet de dolances (issues de son
incompltude ou peut tre inexactitudes) qui sont vhicules vers le tuteur humain
dune faon synchrone ou asynchrone selon la possibilit ou le choix des deux
parties.

Imbrication entre connaissances et mta-connaissances dans la modlisation de


domaine denseignement : En effet, lanalyse de diffrents domaines modliss
part montre quon ne distingue pas les connaissances propres au domaine (les
instances dune ontologie de domaine) de celles communes et qui est en fait une
mta-connaissance (ontologie du domaine). Par exemple la dcomposition en
notions, exercices, exemple, ou encore le lien compos de , est prrequis de ne sont pas des connaissances propres un domaine mais plutt des
mta-connaissances. De cela dcoule la difficult du passage de la reprsentation
dun domaine un autre et donc de la rutilisabilit des mta-connaissances non
distingues.
Objectif 4 : Dfinition dun mta-modle de reprsentation de domaine
denseignement o des lments (concepts, liens, ) composants la spcification
structurelle dun domaine denseignement en gnral dans le contexte dun
apprentissage par lexercice sont recenss. La modlisation dun domaine particulier
sera guide par ce mta-modle. Nous proposons donc de faire cette spcification
avec les ontologies. Chaque instanciation de lontologie de domaine denseignement
propose donnera lieu la base de connaissances dun domaine spcifique.

Imbrication dans une ontologie de domaine dlments bruts du domaine et


dautres lments rsultant dune interaction avec un contexte dutilisation de ces
lments ce qui limite la dimension ontologique : En effet, cette imbrication cause
un mlange entre lments diffrents dans leurs volutions respectives ou leurs
dynamicit. Par exemple il est tout fait normal, priori de penser intgrer dans
lontologie dun domaine denseignement llment Rsultat-apprenant.
Cependant, ce dernier est le rsultat de linteraction de lontologie avec le contexte
dvaluation qui combine dautres connaissances en dehors du domaine comme
celles relatives lapprenant par exemple.
Objectif 5 : Introduction de la notion dontologie dinteraction dun domaine avec
un contexte (OIDC) pour distinguer les lments dune reprsentation dun domaine
denseignement de ceux rsultants dune interaction avec un contexte dutilisation.
Nous nous intressons particulirement la OIDC dvaluation dapprenants.

36

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

III-1-2- Architecture et caractristiques dun environnement dauto-apprentissage


par lexercice
Nous entendons par Environnement dAuto-Apprentissage par lExercice (EAAE), un
EIAH o le module des exercices est dvelopp donc qui permet un apprentissage o
lapprenant met en pratique via des units dvaluation telles que les exercices, les
questions, des tudes de cas, des mini projets, les notions du domaine enseigner.
Parmi les principales caractristiques de lEAAE que nous souhaitons dvelopper
prsent par la figure 6, nous avons :

Un EAAE est destin lauto-apprentissage dun domaine. Ce systme est hberg


sur un serveur connect au Web. Ainsi en utilisant le rseau Internet, les utilisateurs
peuvent utiliser lEAAE directement ou partir dun LMS (comme les Campus
numriques ou universits virtuelles) si on veut donner loccasion aux apprenants
de sentraner avec diffrents EAAE concernant chacun un domaine
denseignement.

Lenseignement est essentiellement dispens par des modules automatiss.


Lintervention dun tuteur humain (qui assure la veille en prsentiel ou via le Web)
est possible en cours de session dapprentissage grce aux moyens de
communications (appartenant au module de communication de la Figure 6) utiliss
en particulier dans les LMS comme la messagerie, le chat ou les forums. Cette
intervention sera particulirement intressante pour apporter des rponses aux
dolances des apprenants concernant les blocages rencontrs ou les besoins
dexplications supplmentaires durant lutilisation des diffrents modules de
lEAAE.

LEAAE met en uvre une approche constructiviste du savoir o la gnration


dexercices ainsi que la correction des solutions apprenant par le systme permettent
un apprentissage par lexercice. La possibilit de communication (synchrone ou
asynchrone) avec un tuteur humain en cas de besoin renforce la confiance de
lapprenant pour travailler avec le systme. Le processus de construction du savoir
de lapprenant est supervis par le systme avec la possibilit de lassistance dun
tuteur humain.

LEAAE Respecte le profil apprenant pour la gnration de contenus (cours,


exercices, explications,) adapts ses besoins et choix. Le calcul du profil est
bas sur les rsultats de lvaluation automatise du module des exercices.

Lapproche est modulaire tous les niveaux du cycle de dveloppement du systme


pour assurer lisolement des parties rutilisables des modules. Ceci va permettre de
minimiser le passage du dveloppement dun EAAE dun domaine un autre en ne
reprogrammant que les parties non rutilisables.

La figure 6 prsente essentiellement sept modules en interactions pour un cas


dapplication Web. Ces interactions ne sont pas schmatises pour viter dencombrer la
figure. Ces modules sont :

37

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Acquisition de connaissances : Cest linterface auteur-expert do les


connaissances relatives aux domaines enseigner ou la pdagogie sont saisies,
ajutes ou mises jour.

Module de cours : est la partie qui soccupe de la gestion des cours (prsentation,
confection, recherche, ).

Figure 6 : Architecture gnrale dun environnement dauto-apprentissage par


lexercice

Module dexercices : cest le module o se situent nos travaux. Il a le rle de


permettre lapprenant de sexercer sur le domaine par la proposition dexercices, la
correction des rponses de lapprenant et lvaluation de ses comptences (cf. Figure
7). Ce module fera lobjet du chapitre suivant de cette thse.

Superviseur pdagogique des sessions : soccupe de la scnarisation en cours dune


session pour dcider sur lenchanement des activits dapprentissage. Ce rle peut
tre automatis, allou un tuteur humain ou tout simplement lgu lapprenant
dans le cas de guidage compltement libre.

Superviseur pdagogique global : cest le superviseur de tout lapprentissage du


domaine (et dans certains cas dun cursus donc diffrents domaines). Il a la capacit
de dcider sur le nombre de sessions, dvaluation globale la fin des sessions
38

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

dapprentissage, de dcider sur le niveau global dun apprenant, . Ce rle peut tre
automatis ou allou un tuteur humain.

Module de lapprenant : soccupe de linitialisation et la gestion du modle de


lapprenant. Il a particulirement le rle du calcul des profils respectifs des
apprenants. Ce module est en troite collaboration avec le module dexercices qui
lalimente avec des donnes sur lvolution de lapprentissage.

Gestion administrative : cest les tches du systme dinformation de


lenvironnement o les donnes et informations administratives sur les apprenants,
les domaines, les tuteurs, les groupes et autres classifications des acteurs, sont
gres.

Figure 7 : Architecture du module des exercices

Dans ce qui suit, nous nous intressons la modlisation de domaines enseigner pour
aboutir la construction des bases du domaine denseignement (figure 6). Dans le
chapitre suivant, nous allons voquer certaines parties du modle de lapprenant
utilises pour le stockage des rsultats de lvaluation. Ceci constitue lessentiel des
objectifs viss dans le cadre du prsent travail.

III-2- Approche de Modlisation de Domaines dEnseignement


La modlisation de domaines denseignement est parmi les priorits dans le processus
de dveloppement de tout systme destin pour lenseignement ou la formation. En effet
la matire enseigner est lessence mme du systme car si elle est mal reprsente, elle

39

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

va systmatiquement tre mal prsente lapprenant, ce qui est difficilement rattrap


par lefficacit des autres modules du systme. Plusieurs formalismes ont t essays
(logique, rgles de productions, rseaux smantiques, rseaux de neurones, ) avant
lingnierie ontologique et avant lintroduction des TIC lesquelles donnent de nouvelles
possibilits et outils pour la reprsentation et utilisation de domaines denseignement.
Dans [Hatzily & Prentzas 04], on dcompose un domaine denseignement en deux types
de connaissances : les lments du domaine et les units de cours : les premires
dfinissent la structuration des composantes de base du domaine et les secondes
prsentent les domaines en combinant les lments du domaine avec des explications
(textes de cours, page affichant un nonc dexercice, images, simulations,) et des
styles de prsentation.
Nous adoptons une approche similaire sur le partitionnement gnral dun domaine en
prconisant deux types de connaissances en se projetant dans le contexte dun
environnement dapprentissage par lexercice.
En effet, nous dcomposons un domaine en deux principales composantes : la
spcification du domaine et ses ressources pdagogiques (cf. Figure 8). La
spcification est une caractrisation des composantes du domaine ainsi que les liens et
rgles liant ces composantes. Les ressources sont un ensemble de fichiers dillustrations
(cours textuels, vido, image, sons, ) permettant denseigner ou de dlivrer des cours
du domaine des apprenants. Evidemment, il existe des liens entre ces deux types de
composantes ; ce qui correspond au Besoin dindexer des objets pdagogiques
indiqu dans [Kabel & al.99]. Certains travaux comme [Fontaine & al. 06] ont dailleurs
approfondi ltude de la navigation dans les ressources bases sur cette indexation
inspire des liens reprsents dans la spcification du domaine. Pour notre part, nous
allons plus approfondir ltude et la caractrisation de la smantique de ces liens au sein
de la spcification pour pouvoir raisonner sur le domaine lors de lvaluation
automatise des apprenants.
Lenseignement dun domaine peut tre distance et dans tous les cas met en jeu
diffrents acteurs, enseignants et apprenants. Nous avons donc besoin dune
reprsentation qui facilite la transmission et la manipulation des connaissances du
domaine et dune uniformisation des dfinitions respectives des composantes de celui-ci
car les apprenants viss sont priori diffrents (de disciplines, de cultures,). Cest ce
que certains auteurs comme dans [Psych & al.03] appellent le besoin de partage de
connaissances. Il y a galement lieu de faciliter lacquisition et la mise jour des
connaissances vu que tout domaine denseignement relve dune expertise volutive
rarement cerne lors du dveloppement du systme o elle est intgre. De plus, il serait
intressant davoir une reprsentation formelle pour augmenter lintelligence dans
lenvironnement de formation.

40

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Domaine

Ressources
Pdagogiques

Spcification

Liens entre
Concepts

Concepts

Rgles et/ou axiomes

Documents

Ressources Multi Mdias


(sons, vido,images, )

Cours structur
(ex : Format Scorm)

Figure 8. Principales parties dun domaine denseignement

De limportance de rpondre ces besoins dcoule notre intrt pour les ontologies. En
effet, celles-ci facilitent la taxonomie des composantes du domaine en reprsentant le
maximum de sa smantique dune part, et lunification des dfinitions de chacune de ces
composantes qui sont partages entre des modules et utilisateurs de diffrentes
disciplines (pdagogues, experts du domaine, apprenants, ...) dautres part. Les
reprsentations des relations smantiques en particulier les liens taxonomiques avec les
ontologies facilitent aussi lexplication et la gnralisation.
Le point suivant de ce chapitre introduit un aperu sur la spcification dun domaine
denseignement en gnral sous forme dun modle ontologique. Linstanciation de ce
modle propose pour un domaine spcifique va donner lieu une base de
connaissances de ce domaine.

III-3- Un Modle Ontologique pour la Spcification de Domaine


dEnseignement
Nous proposons dans ce qui suit les principaux lments (reprsents par le diagramme
de classes UML de la figure 9) communs de reprsentation de diffrents domaines
denseignement sous forme dune ontologie de domaine que nous nommons OntoTDM2. Celle-ci reprsente essentiellement les concepts et les relations smantiques
entre eux [Bouarab-Dahmani & Si-Mohammed 08a]. Nous utilisons plus loin, lors de la
prsentation de lontologie quelques proprits des relations smantiques telles que la
transitivit utiles pour la dduction dautres connaissances.

Ontological Teaching Domain Modelling

41

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Figure 9 : Diagramme de classes UML de Onto-TDM

III-3-1- Les Concepts


Ce sont les lments de lontologie du domaine issus de la structuration dun domaine
denseignement quelconque. Les principaux concepts qui doivent apparatre dans celleci (Figure 10) sont alors lis aux units dvaluation (exercices, questions, ), puis aux
notions du domaine denseignement, et enfin par lensemble des erreurs potentielles de
lapprenant, que nous regroupons dans une taxonomie des erreurs. Nous intgrons aussi
dans la spcification le concept dexemple. Dautres concepts peuvent tre ajouts
comme les explications, les remarques, ; nous ne les intgrons pas cette tape de
notre recherches pour leurs rles secondaires dans lenseignement dun domaine (du
moins relativement nos objectifs de recherches immdiats). Les concepts sont dfinis
comme suit :

Les Notions et les Items de Connaissances : Ce sont les composantes du domaine


denseignement que lenseignant souhaite transmettre lapprenant. Pour des
raisons didactiques, pdagogiques ou structurelles, une notion peut tre dcompose
en plusieurs sous-notions dans un processus ncessairement fini du fait de
lexistence systmatique de notions lmentaires. Nous appelons ces notions du plus
bas niveau des Items de Connaissances (IC).

42

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

A ce stade de nos recherches, cette dcomposition dun domaine en notions et IC est


du ressort de lexpert humain du domaine denseignement. Il doit tre nanmoins
possible dautomatiser ce processus en se basant sur les rsultats de lingnierie
ontologique se rapportant lacquisition de connaissances par analyse de corpus.

Figure 10. Principaux concepts de lontologie dun domaine denseignement

Nous prconisons donc une hirarchie strictement arborescente (cf. Figure 11) des
notions, sauf en ce qui concerne les feuilles, qui reprsentent les IC. De fait, il est
clair quun IC peut rentrer dans la composition de diffrentes notions. Par exemple,
dans le cas de lalgorithmique, lIC forme dinstruction de bloc peut tre rattach,
entre autres, aux notions structure alternative et structure itrative.

Figure 11. Dcomposition des notions dun domaine denseignement

Les Exercices : Ce sont des units dvaluation prsentes sous forme de question
ouverte avec un nonc. La rsolution de chaque exercice va ncessiter la mise en
uvre dun ensemble dIC, dont on attend quils apparaissent dans la formulation de
la solution (librement construite) de lapprenant, do lintervention de notions
situes diffrents niveaux de lontologie. La reprsentation du domaine enseigner
43

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

sous forme dune ontologie permet ainsi dassocier les notions requises par
lapprentissage du domaine denseignement considr aux diffrents exercices
proposs par le systme, lorsque la rsolution de ceux-ci exige leur mise en uvre.
A un exercice, les concepteurs peuvent dfinir un ou plusieurs corrigs types.
Selon cette modlisation, un exercice sera donc dcrit par une structure dynamique
projete sur les composantes structurelles de lontologie du domaine enseigner,
que nous pouvons reprsenter travers un certain nombre de liens pointant sur les
notions requises, et en particulier sur les IC (feuilles), ainsi que lindique la figure
12. Celle-ci montre que chaque exercice permet de dfinir un sous domaine
denseignement par projection par rapport aux composantes, situes diffrents
niveaux du modle ontologique du domaine denseignement considr, values par
lexercice.
Nous proposons aussi dassocier chaque couple (exercice, IC), un coefficient C.
Celui-ci est un nombre entier, lequel somm avec les autres coefficients
respectivement associs aux autres IC valus par lexercice donnera la note
maximale prvue pour lexercice dans le barme. Ces coefficients permettent au
pdagogue de pondrer limportance de chaque IC dont lexercice a pour but
dvaluer la matrise, ce qui introduit un degr de souplesse supplmentaire de par la
possibilit daccentuer ainsi plus ou moins limportance relative des diffrents IC
intervenant dans la rsolution dun mme exercice, selon lobjectif pdagogique
vis.

Figure 12: Modlisation dun exercice par projection sur les composantes
structurelles du domaine

Pour illustrer le fonctionnement du modle ontologique ainsi constitu, des


exemples sont donns au chapitre V de cette thse pour les cas des domaines
denseignements tests.

Les Erreurs : Ltude des erreurs occupe une place importante notamment en
psychologie, en didactique et en intelligence artificielle. Ainsi, [Davis 84] a soulign
que cest lun des plus prcieux moyens permettant dexplorer la nature du
44

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

traitement de linformation chez lapprenant. Pour sa part, Charnay [Charnay, 86]


affirme que ltude des erreurs dans une perspective dapprentissage renseigne
lenseignant sur la nature du travail de lapprenant et sur ses conceptions par rapport
aux connaissances vises.
En pdagogie, l'erreur dsigne une rponse ou un comportement de l'apprenant qui
ne correspond pas la rponse, au comportement attendu. L'erreur n'est pas la
manifestation d'une non-connaissance qu'il convient d'ignorer ou de corriger
immdiatement, mais d'une connaissance inadquate sur laquelle la connaissance
correcte va pouvoir tre construite.
Lexpertise dun domaine denseignement comprend obligatoirement un certain
nombre derreurs possibles que lenseignant expert a eu loccasion de dtecter chez
les apprenants. Ainsi les erreurs potentielles forment une partie des connaissances
dun domaine enseigner que nous proposons de spcifier. Cette partie aidera
certainement amliorer lenseignement du domaine.
Pour accrotre lefficacit des processus de dtection derreurs, nous proposons de
mettre en oeuvre une taxonomie des erreurs possibles de lapprenant, en fonction de
la classification que nous dfinissons ci-aprs (cf. figure 13).
Nous considrons ici que deux principaux types derreurs peuvent survenir dans la
solution de lapprenant :
Les erreurs de forme, qui traduisent une non-conformit de la solution de
lapprenant par rapport aux conventions de prsentation du domaine enseign.
Sil sagit de solutions formules sous forme de texte, nous retenons en
particulier les erreurs lexico-syntaxiques. Ainsi, du fait mme de la
reprsentation du domaine denseignement sous forme dune ontologie, ce qui
permet de limiter les termes du langage utilis par les apprenants (pour exprimer
leurs solutions) un ensemble fini des termes, les erreurs lexico-syntaxiques
peuvent tre dtectes de manire relativement aise.
Les erreurs de fond ou smantiques portent de fait sur une partie plus abstraite
de la solution de lapprenant, telle quune logique dexpression et/ou un
ordonnancement de tches inadquat par rapport lunit dvaluation propose
ou aux rgles smantiques du domaine enseign, ce qui rend bien videmment
leur dtection plus complexe.
Pour faciliter le processus de dtection et de reconnaissance de ces erreurs
smantiques, nous les avons rparties en deux catgories :
-

Les erreurs smantiques communes (E.S.C) correspondent aux erreurs qui ne


dpendent pas de lnonc de lunit dvaluation, et qui relvent plus
simplement de la gnralit du domaine trait, comme la division par
zro (en calcul), ou la boucle infinie (en programmation),

Les erreurs smantiques spcifiques (E.S.S) expriment, par contre, le fait que
des caractristiques attendues dans une solution lunit dvaluation
propose ne sont pas exprimes par lapprenant. En fait, nous prconisons
que chaque rfrence dans une unit dvaluation un IC dune notion de
45

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

lontologie du domaine dfinit une ou plusieurs caractristiques de cette


unit [Bouarab-Dahmani & Si-Mohammed 05] et qu chaque
caractristique est associe une erreur smantique spcifique en tant
querreur potentielle, comme cest reprsent par lassociation
Caractristique de la figure 9. A une caractristique sont donc associs un
item de connaissance dune notion donne et une unit dvaluation.
Par exemple, les erreurs criture de message inexistante , ou instruction
alternative non utilise seraient des E.S.S. alors que des erreurs comme type
de lidentificateur diffrent du type de lexpression qui lui est affect ou
identificateur non dclar seraient des E.S C pour le domaine de
lalgorithmique.
La matrise du processus de caractrisation (dfinition des caractristiques) des
exercices dpend de la richesse didactique du domaine enseign. En effet, plus la
didactique est riche, plus la dcomposition du domaine en IC est fine, plus la
caractrisation est prcise et permet donc de dfinir un plus grand nombre
dE.S.S potentielles.

Figure. 13. Sous-modle ontologique des erreurs


De faon gnrale, nous avons choisi de relier toutes les erreurs de lapprenant aux
IC (notions de base) (cf. Figure 14), sachant que ces liens peuvent tre propags
(comme pour les exercices) par transitivit ascendante tous les nuds de
larborescence reprsentant la dcomposition du domaine. Ainsi, un IC donn
peuvent correspondre plusieurs erreurs, dont chacune fournit un indice de sa non
matrise par lapprenant. Par contre, nous posons lhypothse que chaque erreur ne
peut concerner quun seul IC pour viter toute ambigut sur le diagnostic de la
composante du domaine laquelle est rattache lerreur sa dtection. Loin de
constituer une contrainte, cette hypothse impose au contraire une structuration
aussi fine que possible des notions du domaine, quitte dfinir de nouveaux IC, ce

46

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

qui, au fur et mesure de lenrichissement de la base derreurs, permet aussi la


construction dune ontologie de domaine plus prcise.

Un exemple/contre exemple : Cest une illustration de lutilisation (juste pour


lexemple ou errone pour un contre exemple) de la notion ou de lIC concern.

Une question : Cest un lment dvaluation plus lmentaire et plus simple


(question une rponse, question choix multiples,) quun exercice. Dautre part,
une question a une rponse prcise, gnralement dfinie avec la dfinition de la
question alors que pour un exercice, que nous percevons comme une question
ouverte, plusieurs solutions diffrentes peuvent tre construites par lapprenant au
lieu dtre choisies comme cest le cas pour la rsolution de questions. Une question
et utilise pour valuer un ou plusieurs IC.

Figure 14. Les erreurs sont lies Aux items de connaissances

Nous synthtisons dans le tableau suivant (cf. Tableau 1), la description (par les
attributs qui nous intressent pour le contexte de lvaluation) des concepts considrs
pour la spcification ontologique dun domaine denseignement et dcrit dans cette
section. Pour mieux expliquer la conceptualisation de chaque concept, nous anticipons,
parfois, la description ce certains liens.

47

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Concept

Attribut

Item de

Commentaire

Num-IC, Nom-IC

connaissance (IC)

Notion

Num-Notion, Nom_Notion

Une notion contient au moins un IC

Exercice

Code-Exo, Nom-Exo,

DDex : degr de difficult de lexercice.

Enonc-Exo, DDEx,

Niv-Cible : niveau de lapprenant, pour lequel

Niv_cible, URL-Enonc

lexercice va tre propos.

Num-err, Type-Erreur,

Type de lerreur : lexicale, syntaxique,

Erreur

Texte-Erreur
Exemple

Num-exple, Contenu-exple

Le contenu peut tre remplac une URL

Corrig-type

Num-corrige, code-exo,

Le contenu peut tre remplac ou complt par

Contenu-corrig

ladresse (ex : URL )

Question

Num-question, Enoncquestion

Caractristique

Coefficient, Adresse du

est un concept dfini pour une association.

paquet de rgles de

Coefficient est le degr dimportance de lIC

dtection dE.S.S. possibles

pour lunit dvaluation o il est valu.

Tableau. 1. Les Principaux concepts de lOntologie

III-3-2. Les Liens


Un lien est une composante dun modle de connaissances qui met en relation deux
connaissances, la premire tant lorigine du lien et la seconde sa destination
[Paquette 02]. Dans un modle graphique, le lien est reprsent explicitement par un
symbole portant son nom ou son type (cas du modle entit Association) ou tout
simplement par une flche partant de lorigine vers la destination en indiquant dessus le
nom ou le type de ce lien (cas des rseaux smantiques par exemple). Les liens sont
aussi appels relations smantiques en ingnierie ontologique.
Dans le cadre du modle ontologique propos, nous considrons les liens structurels de
composition (compos de ou part of) et des liens de gnralisation/spcialisations (est
un ou is a) ainsi que dautre liens smantiques qui sont pour la majorit des associations
issues de la didactique ou la pdagogie du domaine comme le lien pr-requis de. Nous
dfinissons ces liens comme suit :

Les Liens structurels de type Compos de : Reprsente les relations de


composition dans domaine denseignement. On retrouve la dcomposition de notion
en dautre notions (une notion peut se dcomposer en une ou plusieurs sous notions)
et la dcomposition dune notion en items de connaissance. Ces derniers

48

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

reprsentent les notions lmentaires ou granulaires du domaine, et sont de ce fait


indivisibles. Ce lien Part of dans notre cas nest pas taxonomique car un item peut
rentrer dans la composition de diffrentes notions.
Les Liens de type gnralisation/spcialisation : Ce sont les liens de type is a
( est un ) connus dans lapproche oriente objet comme liens dhritage. Il dfinit
des hirarchies strictes donc cest un lien taxonomique ou de subsomption. Il est
aussi transitif. Ce lien est dfini dans notre cas entre les types derreurs et les types
dunits dvaluation.
Le Lien Est relie : Cest un lien entre une erreur et un IC. Il est smantique et
didactique car il peut changer dun contexte didactique un autre. Un contexte
didactique tant dfini par les acteurs du triangle didactique (cf. Figure 15) qui sont :
lenseignant, lapprenant et le domaine (savoir). Ce lien avec son lien inverse
dfinissent une association entre les IC et les erreurs.

Figure 15. Le Triangle didactique [Bisault & Lavarde 95]

Le Lien Pr-requis de : Cest un lien didactique qui dfini le fait quune notion ou
un IC du domaine denseignement doit tre acquis avant un autre pour des soucis de
meilleure assimilation. Ce lien est transitif (cf. Figure16 pour un exemple en
Algorithmique).

Instruction
Instruction daffectation
daffectation
Prrequis de
Instruction
InstructionConditionnelle
Conditionnelle

Prrequis de
Transitif

Prrequis de

Instruction
Instructionitrative
itrative

49

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Figure 16. Exemple de Liens Pr-requis de en Algorithmique.

Le Lien Evalue : Cest un lien entre une unit dvaluation et lassociation de


composition (IC, Notion) que nous appelons le contexte de lIC pour prciser quil
sagit de lIC dune certaine notion vu quun IC peut entrer dans la composition de
diffrentes notions. Il est aussi smantique et didactique. Combin avec son lien
inverse, il dfinie une association.

Le Lien Exemple de Notion : Cest un lien entre un exemple une notion Il est
aussi smantique et didactique.

Le Lien Exemple de IC : Cest un lien entre une exemple et un IC. On peut le


dfinir aussi entre exemple et un contexte de lIC pour prciser quil sagit dun
exemple sur lIC dune certaine notion. Il est aussi smantique et didactique.

Le Lien Dtecte : Cest un lien entre lassociation Caractristique et le concept


dErreur smantique Spcifique (ESS) (cf. Figure 9). Il est aussi smantique et
didactique.

Le Lien Est corrig de : Cest un lien entre un exercice et un corrig-type. Il est


aussi smantique et didactique.

Le Tableau 2 synthtise lensemble des liens cits ci dessus.

50

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Nom du

Concept

Concepts De

Lien

dOrigine

Destination

Est

Notion

Notion, IC

compos

Proprits

Lien Inverse

Attribut

Commentair
e et/ou Rgle

- Rflexif
-Transitif

Est Composant

- Un IC peut

de

tre

de

composant
de diffrentes
notions

Est un

Sous

Concept

-Transitif

A pour sous

Concept

gnrique :

-Taxonomique

classe

- Rflexif

A pour

erreur, unit
dvaluation.
Est Pr-

IC, Notion

IC, Notion

requis de
Evalue

-Transitif
Unit-

IC, Notion

Prrecquis
Est valu Par

- Poids-

Ce lien et son

dEvaluati

IC

lien inverse

-on,

- Rgles-

produisent

Dtectio

lassociation

n-ESS

Caractristi
que.

Est

Erreur

IC

Relie

A pour erreur

Un IC peut

potentielle

tre reli
plusieurs
erreurs.

Exemple

Exemple

Notion

de

Notion a pour
Exemple

notion
Exemple

Exemple

IC

de IC
Dtecte

IC a pour
Exemple

Caractris

E.S.S

tique
Est

Corrig-

corrig

Type

Est dtecte
par

Exercice

A pour Corrig

de

51

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Tableau.2. Les Principaux liens de lontologie de domaine denseignement


propose

III-4- Les Ressources du Domaine


Ce sont les tats de sortie comportant des donnes du domaine en plus dun style de
prsentation. Elles sont affiches via une interface utilisateur qui est combine avec un
navigateur Web dans le cas de e-learning. A chaque concept de la spcification
correspondent une ou plusieurs ressources. Comme lillustre la figure 8, les ressources
peuvent tre des documents, des ressources multimdia (sons, vido,) et aussi tout
autre fichiers (Outil logiciel, package SCORM, ) capable dillustrer un concept du
domaine. Un document peut contenir du texte, des images, des schmas, et des
indicateurs de liens (mot colori, boutons, flches,) pour naviguer vers dautres
documents ou dautres pages. Il peut tenir sur une ou plusieurs pages.
Les liens de navigation entre les ressources correspondants des concepts diffrents
sont issus des liens ontologiques entre ces concepts. Pour les liens de navigation au sein
de ressources correspondant un mme concept, dautres liens peuvent tre dfinies en
rapport avec les objectifs et scnarios pdagogiques. Si par exemple, un nonc
dexercice peuvent correspondre les trois ressources suivantes : un texte, une vido, un
son. Lenchanement entre ces trois ressources dpend de lintrt pdagogique et aussi
didactique de prsenter lun avant lautre.
Comme nous lavons dj prcis au dbut de ce chapitre, lindexation et la navigation
concernant les ressources ne constitue pas une priorit dans le cadre de cette thse.
Cependant nous lavons implmente dans le cadre de la ralisation des prototypes cits
dans le chapitre V. Dans ce qui suit, nous prsentons, comme exemples, quelques types
de documents ressources [Bouarab-Dahmani & Si Mohammed 08d] qui sont conus
conformment la structure de lontologie (cf. Figure 17). Nanmoins la possibilit de
connecter dautres ressources issue dune recherche Web par exemple est une possibilit
qui ncessite lintgration dannotations smantiques indiquant les modalits de liaisons
entre la ressource et le concept de lontologie auquel elle va tre relie.

Documents

Liste-Erreurs

Cours

Section

Exemple

Enonc
dxercice

Questionnaire

Corrig-Type

Figure 17. Exemple de Taxonomie de Ressources de type Documents

52

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Un document cours : concerne une notion ou une sous notion du domaine. A partir
de ce genre de documents, on peut naviguer vers un document-section, un autre
document-cours relatif un concept prrecquis, un document-exemple,

Un document section : Concerne un item de connaissance du domaine. A partir dun


document section, on peut naviguer vers un autre document-section (suivant ou
prrecquis), un autre document-cours, un document-exemple,

Un document nonc dexercice : prsente un nonc dexercice un apprenant. Ce


document est le rsultat dexcution de la tche de gnration dexercices.

Un document questionnaire : un document qui prsente un ensemble de questions


dans le cadre dun pr-test, test ou une sance dexercice.

Un document liste derreurs : un document qui prsente une liste derreurs dtectes
par la tche de diagnostic des erreurs dans une solution-apprenant.

Un document corrig-type : un document qui prsente une solution possible pour


lexercice propos.

Un document Exemple : un document qui prsente un exemple sur une notion ou un


IC du domaine.

III-5-Modle Ontologique de Contexte dun Domaine dEnseignement


Lexploitation de lontologie Onto-TDM se fait par des activits dapprentissage. Les
plus connues pour un EIAH dapprentissage par lexercice sont : la gnration
dexercices, la gnration de questionnaires, la gnration de cours, lvaluation des
connaissances, A chaque interaction du domaine avec une de ces activits, un
contexte dutilisation est dfini et induit lapparition de nouveaux concepts spcifiant
les rsultats de cette interaction avec le domaine.
En considrant une spcification ontologique, nous dfinissons lontologie de contexte
dutilisation dun domaine comme tant lontologie du domaine enrichie des concepts
rsultant de linteraction du domaine avec ce contexte dutilisation, relatif
ncessairement une activit dexploitation de lontologie.
Lexploitation dun domaine denseignement a la particularit dtre en interaction avec
dautres domaines pour la ralisation dune activit dapprentissage. Ces domaines sont
essentiellement relatifs aux connaissances de lapprenant et aux connaissances
pdagogiques.
Dans le cadre de ce travail, nous nous intressons particulirement lontologie du
contexte dutilisation lors de lvaluation des connaissances des apprenants que nous
appelons Onto-TDM-Eval (cf. Figure 18) correspondant lontologie Onto-TDM de
spcification de domaine denseignement prsente dans la section III-3.

53

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Onto-TDM-Eval est donc compose de Onto-TDM et des lments issues de son


interaction avec notamment le modle de lapprenant et le modle pdagogique qui sont
essentiellement : Le concept Session qui reprsente une session dapprentissage et le
lien A pour Rsultats de session o les rsultats de lvaluation dun IC dune notion
dans le cadre dune unit dvaluation sont spcifis. Cest dans le chapitre suivant (le
chapitre IV) que nous prciserons la description de ce concept relativement aux
approches proposes pour les diffrentes tapes de lvaluation des apprenants.

54

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

Figure 18. Lontologie de contexte dutilisation pour lvaluation Onto-TDMEVAL

III-6- Aperu sur les Possibilits dOprationnalisation dOnto-TDM

55

Chapitre III : Les Ontologies pour la Modlisation dun Domaine dEnseignement

La phase doprationnalisation va consister outiller une ontologie pour permettre une


machine, via cette ontologie, de manipuler des connaissances du domaine. La machine
doit donc pouvoir utiliser des mcanismes oprant sur les reprsentations de lontologie.
Plusieurs langages et outils peuvent tre utiliss. Nous sommes particulirement
intresss par deux possibilits doprationnalisation :

avec le langage OWL pour le cas de son exploitation avec les outils et
techniques du Web smantique dans le cadre dEIAH de type e-learning,

avec le langage XML pour les documents et des bases de donnes


relationnelles pour les donnes de spcification contenues dans lontologie.
Cette dernire option a t mise en uvre lors de la ralisation des systmes
considrs dans les tudes de cas du chapitre V par le dveloppement dune
interface auteur expert via laquelle lontologie ainsi que la base des
connaissances dun domaine particulier seront introduites et maintenues.

Conclusion
Ce chapitre prsente globalement lapproche que nous nous proposons de mettre en
uvre pour dvelopper un environnement dauto apprentissage par lexercice, en
prcisant la problmatique considre ainsi que les principaux objectifs projets. Y est
aussi dcrite notre approche de modlisation ontologique pour le domaine
denseignement en dfinissant un ensemble de concepts et de liens du modle propos.
Celui-ci peut tre utilis par diffrentes activits dapprentissage dun systme EIAH de
type learning by doing. Chaque activit dfinit un contexte dutilisation de lontologie.
Nous nous intressons dans le chapitre suivant lactivit dvaluation.

56

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

CHAPITRE IV
Une Approche dEvaluation
Automatise des Connaissances des
Apprenants Base sur un Modle
Ontologique

Introduction
L'volution des mthodes denseignement dcoulant de lintroduction des technologies
de linformation s'est accompagne d'une volution dans la faon de juger les rsultats
des apprenants. Cest ainsi que lchec ou linsuffisance de rsultats nest plus perue
comme la consquence dun manque de travail, d'attention ou d'intelligence.
La pense pdagogique actuelle substitue en effet la notion de contrle, celle,
beaucoup plus large et plus complexe, d'valuation, qui consiste dgager de manire
plus objective et plus rationnelle les diffrents paramtres qui ont une incidence sur le
rsultat des lves [Bisault & Lavarde 95].
Cette volution a introduit toutefois la ncessit dun processus dvaluation
automatise dans les EIAH par lexercice; ce qui ncessite par consquent la dfinition:

de techniques de diagnostic des erreurs pour la correction automatique des


solutions apprenant, en particulier pour le cas de rponses libres des
questions ouvertes,

dune mthode de notation automatise des apprenants utilisant les rsultats


du diagnostic des erreurs pour que les notes calcules correspondent le
mieux possible ltat rel des connaissances de lapprenant,

de paramtres et structures adquats au niveau du modle de lapprenant


pour que les notes calcules puissent servir au calcul de profils puis
ladaptation de lapprentissage.

Nous proposons dans ce chapitre, en rponse ces proccupations, un processus


dvaluation bas sur une approche progressive permettant dabord lanalyse de la
forme (le lexique, syntaxe, ) de la solution propose par lapprenant. Les erreurs
smantiques, telle que linadquation de la solution de lapprenant avec lnonc de
lexercice par exemple, sont ensuite dtectes travers lassociation, chaque exercice,
de caractristiques qui sont requises dans la solution de lapprenant lors de lanalyse
smantique.
56

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Dans le mme ordre dides, la dfinition dune mthode hirarchise de notation nous
permet de retenir un ensemble dindicateurs de comprhension que nous synthtisons
dans une matrice intgre au modle de lapprenant. Ainsi, partant de notes
granulaires relatives aux plus petites composantes du domaine enseign, nous
calculons des notes de niveau suprieur relatives un exercice ou une notion de plus
haut niveau dabstraction.
Lapproche ODALA (Ontology Driven Auto-evaluation for Learning Approach) ainsi
propose, est fonde dune part, sur la reprsentation du domaine enseigner sous
forme dune ontologie de domaine, et dautre part sur la classification des erreurs
commises et/ou susceptibles dtre commises.

IV-1- LApproche dEvaluation Propose


Lapproche dvaluation ODALA propose une mthodologie et des techniques pour le
dveloppement dun systme dvaluation base sur lontologie de domaine
denseignement Onto-TDM propose dans le chapitre III (cf. section III-3).
Cette approche propose met la disposition des concepteurs dEIAH en mode
apprentissage par lexercice un moyen daborder le dveloppement du systme
dvaluation. Nous prsentons dans ce qui suit le processus ODALA selon deux points
de vue : celui du concepteur et celui de lutilisateur.

IV-1-1- Le processus de conception


Le processus de conception dune valuation automatise (cf. Figure 19) commence par
la gnration de la base de connaissances du domaine par instanciation de lontologie
Onto-TDM.
Ensuite, ltape de dveloppement du diagnostic des erreurs ncessite le dveloppement
du module danalyse de la forme qui utilise la spcification ontologique (en particulier
la terminologie dans le cas danalyse de solutions textuelles).
La notation des apprenants et la mise jour du module apprenant tant deux modules
rutilisables dun domaine un autre, ils feront objets dappels avec, chaque fois des
paramtres adquats.

57

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Figure 19. Principales tapes de dveloppement dun systme dvaluation avec


ODALA

IV-1-2- Le processus dutilisation


Lutilisation dune valuation conue selon ODALA ncessite de permettre le recueil,
au sein dun module dexercice (dfini dans le schma de la figure 7 de la section III-12 du chapitre III), des donnes relatives une session dapprentissage effectue par
lapprenant. Ces donnes devront tre par la suite traites par un module pdagogue,
pour synthtiser une apprciation globale intgrant dautres donnes sur lapprenant et
son parcours dapprentissage. Il y a lieu de prciser que nous nous intressons un
processus dvaluation principalement destin des systmes dauto-apprentissage par
lexercice. La session commence donc par une gnration automatique dexercices, telle
quindique dans [Bouarab-Dahmani 00]. Les noncs dexercices sont ainsi produits
la demande du pdagogue, en fonction du profil de lapprenant, soit partir de la
slection dexercices dans une banque prenregistre (gnration simple), soit encore
partir dun ensemble dexercices paramtrables (gnration semi-automatique), ou enfin
par concatnation dnoncs ou des parties dnoncs dj existants (gnration
automatique).

58

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Figure 20. Principales tapes du fonctionnement dun systme dvaluation


ODALA [Bouarab-Dahmani & al. 10b]

Une fois saisie la proposition de solution de lapprenant pour lexercice gnr, le


processus dvaluation commence lorsque le module de diagnostic est sollicit (par
lapprenant ou par le pdagogue, selon la stratgie pdagogique applique). Alors,
lanalyse de la forme de la solution (qui peut consister vrifier le lexique et la syntaxe
si la solution de lapprenant est textuelle), est lance pour vrifier que lexpression de la
solution de lapprenant respecte le langage du domaine enseign (notations et oprateurs
algbriques en mathmatiques par exemple, ou encore mots-cls et syntaxe, dans le cas
de lenseignement dun langage de programmation, ). Si cette premire tape se
droule sans erreurs, une analyse smantique est excute pour vrifier le sens de la
solution, et ainsi examiner si lapprenant a rpondu au problme pos et sil a utilis les
notions adquates du domaine (cf. Figure.20).
La notation de lapprenant commence la demande de celui-ci si lapprentissage est
compltement libre. Il est galement possible, dans le cas dun guidage automatique, de
passer la notation aprs un certain nombre de tentatives de correction. Cest un
module de notation qui se charge du calcul de notes et/ou dindicateurs de
comprhension sur les diffrentes notions du domaine enseign. La dernire tape de
lvaluation consiste en lenrichissement du modle de lapprenant, qui est une sorte de
mmoire de la progression de celui-ci, par la sauvegarde des rsultats de cette
valuation dans des structures adquates.

59

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

IV-2- Le Diagnostic des Erreurs avec ODALA


ODALA propose un diagnostic cognitif bas sur les erreurs. Partant de ce principe et
des faiblesses des autres techniques de diagnostic bases sur dautres lments comme
les plans, nous proposons la conception dune correction automatique de rponses des
apprenants fonde sur un diagnostic des erreurs pour rechercher les mauvaises
conceptions 1 des apprenants.
La conception de ce diagnostic tant base sur lontologie du domaine utilise pour
lvaluation, les erreurs potentielles dun domaine font partie intgrante de la
description de ce domaine et se trouve systmatiquement relis aux items de
connaissances, les notions basiques de ce domaine. Ainsi ds que le diagnostic dtecte
une erreur, le systme dvaluation dtecte avec (via les liens smantiques de
lontologie) litem de connaissance concern et par application de certaines rgles de
dduction de lontologie2, cette erreur peut tre lis toute les notions parentes de lIC
concern. L'erreur se trouve ainsi formatrice puisque dune part une erreur faite durant
l'apprentissage sera plus rarement rpte en situation relle et dautre part il y a
conscience que l'on peut se tromper, ce qui donne lapprenant une capacit de remise
en cause et d'adaptation, do une prise de conscience de l'intrt de se former.
Les outils dun diagnostic sont les moyens utiliss pour connatre les mauvaises
conceptions dans la tte dun apprenant qui se voient via les erreurs. Ces outils
consistent en le choix de lunit dvaluation (Questionnaires, exercices, expos, mini
projet, ) qui dtermine la technique de correction donc de dtection des erreurs. Nous
avons choisi de travailler sur les exercices, lunit dvaluation (au sens du concept de
lontologie Onto-TDM) qui sont des questions ouvertes auxquelles lapprenant construit
des rponses librement en utilisant un diteur de solution adquat (graphique, textuelles,
multimdia, ) selon la forme de la solution recherche.
Le diagnostic que nous proposons ici concerne donc la correction dune solution saisie
par un apprenant pour rpondre un exercice gnr depuis une base dexercices. La
correction de la solution propose peut alors se faire en cours dcriture de celle-ci, le
module correcteur intervenant ds quune saisie non conforme est dtecte. Cest ce qui
est dsign par vrification automatique dans le cadre du logiciel Aplusix [Aplusix
04] par exemple. Nous considrons pour notre part que cette correction prventive
est de nature influencer lapprenant au fur et mesure de sa rdaction de la rponse, ce
qui est susceptible dintroduire un biais qui peut se rpercuter sur la justesse de
lvaluation finale. Nous prfrons donc ne faire intervenir le module correcteur que
lorsque lapprenant indique avoir fini de taper sa solution.
Le processus de diagnostic se dcompose en deux tapes successives qui sont lanalyse
de la forme suivie de lanalyse du fond ou smantique que nous prsentons dans ce qui
suit.

Inspir du terme anglophone misconception


Par exemple soit la rgle suivante : Si litem Ici est composant de la notion Nj et Si lerreur Ek est
relie Ici Alors Ek est relie Nj.
2

60

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

IV-2-1- Lanalyse de la forme


La forme dune solution peut tre textuelle, graphique ou autre. Nous cartons ce stade
de notre recherche lanalyse dune forme de solution qui combine des parties de forme
diffrentes. La dfinition des rgles danalyse de la forme dpend du langage
dexpression des solutions qui peut tre : ensemble de symboles mathmatiques,
ensemble de symboles graphiques (organigrammes, arbre algbrique en bases de
donnes relationnelles, langage naturel, langage de programmation, ). Il est vident
dans ce cas davancer que la gnricit dun module danalyse de la forme est difficile
voir impossible puisque la conception de ce module peut changer radicalement dun
domaine un autre. Cependant lanalyse des affinits entre les domaines peut donner
des possibilits de rutilisabilit, ce que nous nintgrons pas dans le sujet de notre
thse.
Nous proposons lutilisation de la terminologie des instances de lontologie du domaine
en particulier de celles relative aux concepts notions et items de connaissances pour tre
guider lors de la construction de lanalyseur de la conformit de la forme dune solution.
Nous avons eu loccasion dessayer les cas suivants qui tait chacun particulier mais o
lontologie a sensiblement aid :

la forme dun algorithme bas sur un pseudo langage algorithmique structur avec
mots cls en Franais,

la forme dun organigramme dalgorithme. Ce cas avait la particularit dune


combinaison de symboles et dinstruction avec langage algorithmique.

La forme dune expression algbrique en rponse une requte utilisant les


oprateurs algbriques en bases de donnes (BDD) relationnelles.

La forme dun arbre algbrique en BDD relationnelles.

Ces cas tudis taient trs enrichissants sur lanalyse des possibilits dautomatisation
de lanalyse de la forme dune solution en apprentissage. Ils nous ont permis de
constater, par exemple, que pour un mme domaine, il y a autant danalyseur que de
formes possibles de solutions et que lanalyse de la forme sapplique tous les
exercices du domaine indpendamment de son nonc. Nous dtaillerons les rsultats de
ces tudes de cas au niveau du chapitre V.

IV-2-2- Lanalyse smantique


Lanalyse smantique recherche dune part les erreurs smantiques communes (ESC), et
dautre part les erreurs smantiques spcifiques (ESS), dfinies par les caractristiques
de lexercice. Pour ce faire, nous lavons dcompose en deux sous-modules (cf. Figure
21) :

61

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Lanalyseur de la smantique commune qui se charge de la dtection dESC en


utilisant un ensemble de rgles dfinies au pralable sur les connaissances du
domaine donc sur les instances des concepts structurels de lontologie du domaine.
Pour lenseignement de lalgorithmique par exemple, la rgle suivante : si v est
variable et v de type t et si v := c est une expression alors le type de c est t sinon
erreur 113: incompatibilit de type dans une expression . Lerreur 113 tant relie
litem de connaissance smantique dune expression daffectation lui-mme
composant de la notion Instruction daffectation . Nous avons aussi les rgles sur
linitialisation et lincrmentation de boucle Tant que, le contrle de schmas de
relations en cas dunion, diffrence et intersection en algbre relationnelles,

Lanalyseur de la smantique spcifique qui se charge de la dtection dESS en


utilisant un ensemble de rgles de dtection de caractristiques dexercices.
Par exemple, en algorithmique la rgle si lexercice exi a la caractristique
dEvaluer litem de connaissance dclaration de variable entire et si linstruction
de dclaration de variable entire est introuvable dans la solution apprenant alors
erreur 91 : dclaration de variable entire prvue non trouve . Lerreur 91 tant
relie litem de connaissance dclaration de variable entire lui-mme
composant de la sous notion Dclaration de variable composante de la notion
Dclaration dun algorithme .

Figure 21. Composition de lanalyseur smantique dODALA

Lefficacit de cet analyseur smantique dpend du nombre derreurs smantiques de la


base et du nombre de rgles dfinies qui dtectent ces erreurs.

62

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Le processus de recensement des erreurs smantiques et des rgles est incrmental et


lanalyse smantique est une heuristique3.
Si la dmarche danalyse base sur les caractristiques et la smantique de lontologie
est rutilisable pour tout domaine, limplmentation de lheuristique (donc les
programmes de loutil danalyse) reste spcifique au domaine pour le cas de lanalyse
smantique commune mais aussi spcifique lexercice pour le cas de lanalyse
smantique spcifique. Cependant, loutil dapprentissage par lexercice capable de
faire cette analyse aura toujours le mrite daider lapprenant connatre et viter les
erreurs dj connues (par des experts !), ce qui est dj non ngligeable en apprentissage
par lexercice pour les disciplines o ce mode est ncessaire.

IV-3- La Notation des Apprenants avec ODALA


La notation est la partie de lvaluation (sommative, formative, pronostic, diagnostique,
) qui exprime un bilan quantitatif de la correction des solutions proposes par un
apprenant. Elle est base sur le calcul dun ensemble de paramtres qui permettront au
pdagogue dapprcier correctement les possibilits de ce dernier par rapport aux
objectifs pdagogiques fixs. La notation doit aussi avoir une mthode pour donner la
capacit dapprciation de lapprenant diffrents niveaux de dtails du domaine
enseign pour pouvoir avancer par exemple que tel apprenant a assimil tous les items
de la notion boucle Tant que sauf litem incrmentation du compteur ditration
pour lequel il a la note 0 dans tous les exercices quil a rsolu et o cet item est valu.
Le processus de notation que nous proposons dadopter en complment de notre
approche se fonde, dune part sur une mthode de notation base sur le principe de la
notation granulaire et sur un ensemble de formules polynomiales utilisant les rsultats
du diagnostic des erreurs la suite de la rsolution dexercices par lapprenant. Nous
prsentons ces deux caractristiques dans les points suivants.

IV-3-1- Le principe de la notation granulaire


La notation granulaire est inspire par le concept de note granulaire lui-mme issue
du concept de notion granulaire donc litem de connaissance que nous avons dj dfini
au niveau de lontologie de domaine denseignement Onto-TDM. La note granulaire est
calcule pour un item de connaissance quand celui ci est valu par un exercice rsolue
par lapprenant durant une session dapprentissage [Bouarab-Dahmani & al. 08b].
Partant de cette note que nous appelons note dIC dans un exercice, nous calculons, par
effet miroir par rapport la dcomposition du domaine enseigner (cf. Figure 22),
des notes donc des apprciations de lapprenant par rapport dautres composantes du
3

L'heuristique (du grec ancien , eurisko, je trouve ), parfois orthographie euristique, est un
terme de didactique qui signifie l'art d'inventer, de faire des dcouvertes (Daprs Wikipedia). Nous
voquons le concept au sens qui lui est donn en thorie des graphes et optimisation qui dfinit une
heuristique comme suit Une heuristique, ou mthode approximative, est donc le contraire d'un
algorithme exact qui trouve une solution optimale pour un problme donn. Les algorithmes de rsolution
exacts tant de complexit exponentielle, il est gnralement plus judicieux de faire appel des mthodes
heuristiques pour des problmes difficiles.

63

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

domaine notamment les exercices, les notions de plus haut niveau de la hirarchie de
dcomposition du domaine, Nous appelons ce phnomne, la propagation de
lvaluation de lapprenant dans le domaine.
Ainsi un exercice donn, est not en utilisant la notation de chaque IC quil value. De
mme, on dduit, aprs rsolution dun ou plusieurs exercices, ce que nous appelons
lindice de comprhension [Bouarab-Dahmani & Si-Mohammed 07] correspondant
chaque IC. Cet indice, important dans la mesure o le but du processus de notation est
dapprcier la matrise de chaque IC, est calcul dune faon incrmentale, cest dire
que tout nouvel exercice trait par lapprenant rfrenant le mme IC, permet den
obtenir une notation plus prcise, aprs application dune fonction de calcul prsente
ci-aprs.

Figure 22. Effet Miroir entre notes calcules et hirarchie de dcomposition du


domaine

La notation granulaire donne lenseignant ou en gnral au superviseur de


lenseignement le pouvoir dapprcier la progression de lapprenant des niveaux de
dtails diffrents selon le besoin, un peu comme la fonction Zoom de certains
diteurs qui font voir de plus prs certains dtails au moment voulu.
Il est vident que la synthse des notes granulaires donc correspondants diffrents
items de connaissances, pour diffrents apprenants et diffrentes sessions est un travail
automatiser. En effet, il est pratiquement impossible pour un enseignant humain, en
64

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

dehors dune valuation diagnostic concernant un cas particulier dapprenant en


difficult face certaines notions, de raliser cette synthse. En effet 100% des
enseignants auxquels nous avons demand lavis sur la possibilit de raliser cette
synthse (soit environ 200 enseignants de notre universit) ont rpondu par non.
Cependant, 100% des enseignants pensent que ce serait trs intressant, pour
lvaluation des apprenants et pour lamlioration de lenseignement davoir cette
synthse.
La mise en uvre de cette notation granulaire est ralise grce un ensemble de
formules polynomiales de calculs que nous dtaillons dans la section suivante.

IV-3-2. Les formules de calcul


Llaboration des formules prsentes dans ce qui suit nous a permis de constater la
difficult de reproduire avec un systme informatique la capacit dun correcteur
humain noter le fond dune solution mme quand la forme comporte des erreurs. En
effet, cette capacit permet de noter le fond sans boucler sur la correction de la forme
(ce que les enseignants font quand ils corrigent les copies dexamen). Dans le cas de la
notation automatique, sil y a des erreurs de forme, il devient particulirement difficile
dobtenir une valuation correcte de la smantique, do lide de donner lapprenant
la possibilit de corriger ses erreurs dans la forme, la recherche derreurs smantiques
par le correcteur nintervenant quaprs un certain nombre de tentatives de correction
(limit par le pdagogue).
Il est aussi possible dappliquer les formules qui vont suivre pour noter sparment la
forme et la smantique dune solution qui peut servir en cas dintrts pdagogiques
particuliers pour seulement la forme (lapprentissage dune langue, dun formalisme,
) ou seulement pour la smantique (apprentissage dune technique, dune mthode de
rsolution, ). Les formules proposes dans cette section sont valables pour une
notation de la forme, la notation de la smantique ou encore des deux combines.
Chacune de ces alternatives a t teste dans le cadre des tudes de cas du chapitre V.
Dans les formules suivantes, considrons que le nombre derreurs dtectes, donnes de
base pour nos formules, sera reprsent, pour une notation combine de la forme et de
la smantique, par :

la somme du nombre derreurs de forme (comme les erreurs lexico-syntaxiques pour


le cas de solutions sous forme textuelle) et du nombre derreurs smantiques si
lapprenant a su corriger ses erreurs de forme aprs le nombre de tentatives permis
par le pdagogue,

le nombre derreurs de forme si lapprenant na pas su les corriger aprs le nombre


de tentatives permis par le pdagogue, de mme que sil na pas commis derreurs
smantiques, ce qui est le cas le plus limitatif,

le nombre derreurs smantiques si lapprenant na pas derreurs de forme.

65

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Les formules de calcul de notes que nous prconisons [Bouarab-Dahmani & al. 09a]
[Bouarab-Dahmani & al. 09c] sont comme suit :

a- Note dun IC par rapport un exercice


Nij, qui est la note de lIC ICi voqu dans lexercice Exoj, dpend du nombre NDij
derreurs dtectes sur cet IC, et du nombre total NTi derreurs rfrences dans la
base derreurs et qui sont relies cet IC. Ainsi pou chaque exercice rsolu par
lapprenant et qui value cet item IC, celui-ci aura une note. La formule propose est
la suivante :
Nij = (1 - NDij / NTi)

Avec 0 <= Nij <= 1 et NTi >0

b- Note dun exercice :


La note NExj de lexercice j sera donne par :
i = NICj

NExj =

Pij * Nij
i =1

O :
NICj : est le nombre dIC valus par lexercice j
Nij : est la note de chaque ICi dans lexercice j, i tant compris entre 1 et NICj,
Pij : est le coefficient qui indique limportance de litem ICi pour lexercice j en
fonction de lobjectif pdagogique assign lexercice j.

c- Note dune notion


La note dune notion dpend des notes de ses notions composantes dfinies par
lontologie. Ainsi les notes des notions du premier niveau de larbre de composition
dun domaine (qui a pour feuilles les items de connaissances) vont se calculer base des
notes des IC. En posant lhypothse (du moins ce stade de nos recherches) que les
composantes dune notions ne sont pas pondres autrement dit ont toutes le mme
degr dimportance pour la notion. NNLj, la note de la notion j du niveau L de larbre de
composition du domaine est la moyenne des notes de ses composantes du niveau L-1
donne par la formule suivante :

NN

Lj

i = NICj

NN

(L - 1)ij

/NICj ;

i =1

NICj tant le nombre de composantes de la notion j.

66

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Nous noterons toutefois que la note dune notion avant la fin de lapprentissage de tout
le domaine peut tre incomplte. En effet son calcul dans le cas o certains de ses items
de connaissances composants nont pas t encore valus par les exercices rsolus par
lapprenant pose un problme. Selon les objectifs pdagogiques, on peut choisir soit de
faire ce calcul la dernire session, donc titre sommatif, o tous les IC auraient t
tous valus, soit de faire le calcul dune note incomplte qui servira pour une
valuation formative. Dans ce dernier cas, nous proposons un calcul de note de notion
par dfaut en affectant la note zro aux items non encore valus ou par excs en
omettant les IC non encore valus de la moyenne ce qui rduit NICj au nombre de
composantes de la notion j dj values. Pour le cas de note incomplte, il y a lieu de
prciser ( la sauvegarde du rsultat) chaque fois les items dj valus utiliss pour le
calcul de la note et ceux qui restent valuer pour ladaptation, au besoin, des sessions
suivantes.

d-. Note dune session de N exercices


NS est la note obtenue par lapprenant aprs avoir trait N exercices diffrents dune
session dapprentissage donne. Son calcul consiste faire la moyenne des N notes
obtenues respectivement pour les N exercices pondres par le degr de difficult de
chaque exercice (DDExj) dfini par le tuteur, par exemple compte tenu du nombre dIC
mis en jeu et/ou des combinaisons dIC ncessaires la rsolution de lexercice. On
aura donc:
NS =

j=N

j=N

j =1

j =1

DDExj * NExj / DDExj

La note de la session est donc ncessairement volutive jusqu sa fermeture car elle
est actualise par recalcule chaque rsolution dun nouvel exercice par lapprenant.

e- Indice de comprhension dun IC durant une session


Lindice de comprhension IndCi dun item de connaissance ICi est un pourcentage
incrmental qui value globalement le degr de comprhension de cet IC par
lapprenant, compte tenu des notes obtenues relativement cet IC dans N exercices
traits durant la session. Nous proposons de le calculer par :
j=N

j=N

j =1

j =1

IndCi = ( ( DDExj * Nij ) / DDExj ) *100


De mme que la note de session, lindice de comprhension est aussi ncessairement
volutive et sera donc actualise par recalcule chaque rsolution dun nouvel
exercice par lapprenant pour obtenir lindice relatif une session. Nous suggrons
aussi, sauf indication contraire de la part du superviseur de lapprentissage, son
actualisation dune session lautre pour cumuler les effets des valuations locales des
sessions prcdentes respectives.

67

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

f- Indice de comprhension dune notion durant une session


Lindice de comprhension IndN Li dune notion N Li est un pourcentage volutif, qui
estime la comprhension de lapprenant pour cette notion, en utilisant les indices de
comprhension obtenus pour lapprenant pour chacun des N items de connaissances
et/ou notions qui la composent. Nous proposons de le calculer comme suit :
j=N

IndN Li = ( ( IndN

(L - 1)j

/ N ))

j =1

Nous noterons toutefois, comme pour le cas de la note de notion, que lindice de
comprhension dune notion avant la fin de lapprentissage de tout le domaine peut tre
incomplet. Les choix pdagogique concernant le calcul ou non du paramtre suit ceux
concernant le calcul des notes respectives des notions.

IV-4- Mise Jour du Modle de lApprenant avec ODALA


Le modle de lapprenant permet de disposer d'informations sur les aptitudes, les
connaissances et les lacunes propres chaque apprenant. Lobjectif de la construction
de ce modle est donc de guider le tuteur prendre les dcisions denseignement les
mieux adaptes lapprenant [Tchtagni & Nkambo 02]. Le processus dadaptation
correspond essentiellement un filtrage de ressources [Bouzeghoub & al. 05] qui se
base sur un ensemble de paramtres relatifs ltat des connaissances de lapprenant,
ses comportements et prfrences, ainsi quaux objectifs des sessions dapprentissage.
Dans ce cadre, le processus dvaluation que nous venons de prsenter permet dobtenir
des informations sur ltat des connaissances de lapprenant chacune des trois tapes.
Nous proposons donc de rpercuter les informations ainsi obtenues (erreurs dtectes,
indices de comprhension de lapprenant, notes, ) sur le modle de lapprenant
travers la dfinition de diffrentes structures. Les valeurs ainsi conserves doivent
permettre au superviseur de lapprentissage dadapter ses orientations aux
connaissances de lapprenant directement et/ou de dduire dautres paramtres. Le
phnomne de propagation issue de la notation granulaire fait sortir deux types de
rsultats de lvaluation :

Les Rsultats de base non calculables par les foncions dfinies par des formules :
nous avons essentiellement, dans cette catgorie, le nombre derreurs dtectes
aprs la rsolution dun exercice par un apprenant durant une session et la liste
derreurs correspondante.

Les Rsultats calculables par les foncions dfinies par les formules dont nous avons
donnes certaines au niveau du point prcdent de ce chapitre.

Si les rsultats non calculables doivent tre imprativement sauvegards dans le modle
de lapprenant, les rsultats calculables par des formules explicites peuvent tre dduits
en intgrant des fonctions adquates implmentant ces formules au niveau du module de
gestion du modle apprenant. Ces fonctions doivent aussi tre excutables partir de
68

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

lvaluateur pour un calcul immdiat aprs diagnostic vu que le module apprenant a la


particularit de pouvoir faire ses calculs mme en dehors des sessions apprenant.
Pour se faire, bien que le sujet de notre thse ne concerne pas directement la
modlisation et gestion du modle apprenant, nous proposons quelques structures
ncessaires pour ne pas perdre les rsultats de lvaluation. Nous dfinissons
notamment les matrices suivantes :

La matrice des erreurs : dans laquelle on affecte, pour chaque apprenant, sa liste
des codes des erreurs dtectes pour chaque exercice rsolu durant une session
donne, ou le caractre # si lexercice point na pas encore t rsolu ni durant la
session courante ni durant les sessions prcdentes (cf. Tableau 3). Lintrt dune
telle structure est formatif si le rsultat est utilis tel quel pour observer les erreurs et
chercher leurs origines respectives en utilisant les liens de lontologie. Les donnes
de cette matrice, sachant que le nombre derreurs dtectes est dductible de la liste,
vont aussi permettre de calculer les autres notes en commenant par le calcul des
notes des IC.
Cette matrice est considre de base vu quelle est non calculable aprs le
changement dexercices durant la session.

Liste des erreurs


dtectes aprs la
rsolution de lexercice
12 par lapprenant 2

Exercice 1
Apprenant 1
Apprenant 2

Apprenant P

Liste erreurs
Liste erreurs

Exercice12
#
Liste erreurs
#
Liste erreurs

Exercice N
Liste erreurs
#
Liste erreurs
#

Tableau 3. Vue sur la matrice des erreurs

La matrice de comprhension des IC : dans laquelle on affecte, pour chaque


apprenant, son indice de comprhension relativement chaque IC en indiquant la
valeur calcule quand lIC est trait par au moins un exercice, ou le caractre # sil
na pas t voqu dans les exercices proposs (cf. Tableau 4). Lintrt dune telle
structure apparat surtout dans le droulement de la session suivante, en permettant
par exemple au tuteur de proposer des exercices concernant les IC non rfrencs,
daugmenter le niveau de difficult pour ceux o lindice est gal 100 %, ou
encore de suggrer la consultation ou rvision dun cours sur les IC indice
infrieur 30%,

69

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Indice de Comprhension
de lApprenant 1 pour
lIC 9

IC 1

IC
Apprenant
Apprenant 1
Apprenant 2

Apprenant n

100%
100%

100%

IC9
100%
94.25 %
#
50%

IC 41

#
#
#
#

Tableau 4. Exemple de matrice de comprhension

La matrice dexercices : qui indique pour chaque exercice et chaque apprenant la


note obtenue durant la session dapprentissage et le caractre spcial # si lexercice
na pas t trait (cf. Tableau 5). Dans chacun des cas la valeur est interprte pour
mieux dcider sur les exercices proposer aux prochaines sessions.

Exercice 1
Apprenant 1
Apprenant 2

Apprenant n

20
20

20

Exercice12
20
19,33
18
10

Exercice20
#
#
#
#

Tableau 5. Exemple de matrice dexercices

La matrice incomplte de comprhension des notions : indique pour chaque notion


et chaque apprenant le rsultat obtenu durant la session dapprentissage ou le
caractre spcial # si la notion na pas t du tout value, ce qui arrive lorsque
aucune des composantes de la notion nest value.

70

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Rsultat
Liste des
IndN

composantes

Notion 1
Apprenant 1
Apprenant 2

Apprenant P

Rsultat
Rsultat s

Notion 12
#
Rsultat
#
Rsultat

Notion N

Rsultat
#
Rsultat
#

Tableau 6. Vue sur la matrice incomplte des notions

Le rsultat est un enregistrement (cf. Tableau 6) comprenant dune part lindice de


comprhension de la notion, qui est dans la majorit des cas incomplet, et la liste des
codes des composantes de la notion value donc qui ont servi au calcul de lindice.
Dans chacun des cas la valeur est interprte pour mieux dcider sur les
composantes du domaine valuer (via les exercices proposer) aux prochaines
sessions.

La matrice finale de comprhension des notions : indique pour chaque notion et


chaque apprenant lindice de comprhension (IndN) de la notion la dernire
session qui marque la fin de lapprentissage (cf. Tableau 7). Le caractre spcial #
est rencontr dans la matrice si certains apprenants nont pas t concerns par
certaines notions ou que lapprentissage ne sest pas termin normalement. Ces
alternatives et exceptions font parties de la pdagogie du systme EIAH.

Rsultat
IndN

Notion 1
Apprenant 1
Apprenant 2

Apprenant P

Rsultat
Rsultat s

Notion 12
#
Rsultat
#
Rsultat

Notion
N
Rsultat
#
Rsultat
#

Tableau 7. Vue sur la matrice finale de comprhension des notions

71

Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique

Conclusion
Nous avons propos, dans ce chapitre, une approche dvaluation automatise des
connaissances dun apprenant base sur la modlisation dun domaine denseignement
sous forme dune ontologie, destine faciliter lautomatisation de lvaluation des
apprenants en mode dauto-apprentissage. Une telle structuration du domaine est
essentielle car elle permet de reprsenter la connaissance du domaine par dcomposition
en notions et IC, puis de rpercuter les rsultats du diagnostic sur chacune de ces
composantes pour en dduire une valuation globale. Nous avons aussi distingu les
processus de dtection derreurs en nous basant sur la taxonomie de celles-ci proposes
par lontologie du domaine.
Le calcul des diffrents paramtres lors de ltape de notation est ralis avec des
formules polynomiales en utilisant les erreurs dtectes (dont des erreurs smantiques)
aprs correction de rponses librement construites par des apprenants, les questions
tant ouvertes. Cest l galement un aspect intressant sagissant de systmes
dapprentissage par lexercice, qui se contentent gnralement dune valuation
dichotomique (connat ou ne connat pas) et de questions fermes (QCM, cases
cocher, ).
Notre approche a fait lobjet de deux premires mises en oeuvre au sein de deux
prototypes de systme dauto-apprentissage distance respectivement destins pour
lenseignement de lalgorithmique et lenseignement des bases de donnes
relationnelles. Le chapitre suivant dcrit ces deux prototypes et discute les rsultats des
diffrentes exprimentations conduites pour valuer nos propositions.

72

Chapitre V : Applications

CHAPITRE V
Applications

Introduction
Nous prsentons dans ce chapitre la mise en uvre de notre approche pour la
modlisation de domaines denseignement et lvaluation automatise dapprenant en
Learning by doing avec des questions ouvertes, dans le cadre du dveloppement de
prototypes de systmes denseignement de domaines choisies. Nous avons opt pour
deux modules de la formation universitaire LMD qui sont : lalgorithmique de base
(enseign au semestre 1 du tronc commun LMD mathmatiques et informatique) et les
bases de donnes relationnelles (BDDR) (enseign au semestre 4 de la deuxime anne
LMD informatique). Nous avons donc dvelopp dans un premier temps des systmes
denseignement distance autonomes respectivement pour lalgorithmique et les
BDDR. Ensuite, nous avons expriment les possibilits dun environnement
dapprentissage de plusieurs domaines bas sur la plate forme MOODLE o les
prototypes dvelopps pour lauto-apprentissage sont intgrs.

V-1- Enseignement de lAlgorithmique de Base


Nous avons mis en oeuvre lapproche ODALA propose travers le dveloppement

dun environnement dauto-apprentissage distance dun pseudo-langage algorithmique


en Franais pour des dbutants en programmation du premier cycle universitaire.
Le systme WebSiela (Systme Intelligent dEnseignement dun Langage
Algorithmique via le Web) (cf. Figure 23) est une reformulation Web avec diffrentes
amliorations et extensions issue des ontologies, de lapproche ODALA, des
environnements Web et du systme Siela dj dvelopp prcdemment comme
composante experte du domaine dun tuteur intelligent pour lenseignement de
lalgorithmique [Bouarab-Dahmani 00].
La premire tape du dveloppement de WebSiela concerne la gnration de la base de
connaissance dOntoAlgo par instanciation du modle ontologique propos pour
domaine denseignement OntoTDM. Ensuite, le module de diagnostic est dvelopp, les
module de notation et de mise jour du modle apprenant sont paramtrs (vu que les
fonctions de ces deux modules ne changent pas par changement de domaine). Aprs le
dveloppement du prototype de WebSiela, des exprimentations ont t conduites avec
des tudiants suivies dune analyse des rsultats. Un bref aperu de ces tapes est dcrit
dans les sections suivantes de ce paragraphe.

73

Chapitre V : Applications

Figure 23 : Page daccueil du systme WebSiela

V-1-1- Modlisation ontologique du domaine


OntoAlgo, lontologie du domaine de lalgorithmique est obtenue par instanciation
dOnto-TDM (dcrite au chapitre III). OntoAlgo-Eval est lontologie de lalgorithmique
utilise dans le contexte de lvaluation des connaissances. Avec le prototype courant
destin pour lalgorithmique de base o les structures de donnes et de contrles
complexes (enregistrement, procdures et fonctions, rcursivit, dclaration de type, )
ne sont pas considrs, OntoAlgo propose trois niveaux de dcomposition : Notions,
Sous-Notions et Items de connaissances.
Limplmentation de cette ontologie est faite dans une base de donnes MySQL. Les
rgles de lontologie sont pour la plupart incorpores dans les scripts manipulant cette
BDD. Les rsultats de manipulation de lontologie sont formats avec le langage XML
et des feuilles de style XSL. Les langages de scripts utiliss sont essentiellement PHP et
JAVASCRIPT. Nous avons aussi utilis lenvironnement EASYPHP utilisant les
serveurs APACHE et MYSQL. Lacquisition des connaissances (notions, exercices,
erreurs, ) de lontologie se fait via une interface dacquisition rutilisable appele
Espace auteur dans WebSiela (cf. Figure 24).

74

Chapitre V : Applications

Outils de communication partags


avec les apprenants
Figure. 24: Formulaire dajout derreur

Ainsi, le Tableau 8 rsume les principales notions, sous notions et items de


connaissances implments dans le prototype ralis explicitant aussi le lien de
composition entre ces composantes. La base de donnes ainsi implmente compte
douze (12) notions et sous notions, cinquante (50) IC, vingt (20) exercices dont huit (8)
sont paramtrs, ainsi quune base derreurs rfrenant une centaine derreur de forme
(lexico-syntaxiques) et une centaine derreurs smantiques.
Pour illustrer le fonctionnement du modle ontologique ainsi constitu, prenons
lexemple dun exercice mis en uvre dans le prototype que nous avons dvelopp dans
le cadre de cette recherche. Lnonc de cet exercice (Exercice 12 dans le prototype
WebSiela), est le suivant : Ecrire un algorithme qui lit un caractre et affiche le
message Ceci est un A sil sagit de la lettre A (cf. Tableau 9).
Conformment au modle prcdent, les notions requises par la rsolution de cet
exercice comprendront au moins une dclaration de variable, lutilisation dune
instruction dentre/sortie, et lemploi dune structure conditionnelle. Le tableau 9
permet de reprsenter le mme exercice en ignorant les notions transitoires , et de se
focaliser uniquement sur les notions du premier niveau de larborescence en partant de
sa racine et les IC associs (feuilles). La dernire colonne de ce tableau, quand elle,
comporte un certain nombre de coefficients que nous avons associs chacun des IC
rfrencs. Ces coefficients permettent au pdagogue de pondrer limportance de
chaque IC dont lexercice a pour but dvaluer la matrise.

75

Chapitre V : Applications

Notions

Sous Notions

-Structuration
dun algorithme

- Dclarations

- Syntaxe de len-tte
- Dlimitation du corps
- Syntaxe dune instruction
- Forme dinstruction de bloc
- Lexique des mots
Dclaration de constantes

Dclaration de variables

Dclaration dun Tableau

4-E/S
donnes

de

-Instruction
daffectation
-Instruction
alternative
Instruction
itrative
La boucle Tant que

La boucle Pour

Instruction sur
la
structure
Tableau

Items de connaissance

- Forme gnrale de dclaration de constantes


- Dclaration de constantes numriques
- Dclaration de constantes boolennes
- Dclaration de constants caractres
- Les identificateurs
- Forme gnrale de dclaration de variables
- Dclaration de variables entires
- Dclaration de variables relles
- Dclaration de variables caractres
- Dclaration de variables boolennes
- Les identificateurs
-Forme gnrale de dclaration de variables
Forme gnrale de dclaration de la variable tableau
-Syntaxe de dclaration de la variable tableau
- Les identificateurs
- Dclaration de tableau dentiers
- Dclaration de tableau de rels
- Dclaration de tableau de boolens
- Dclaration de tableau de caractres
- Dlimitation dinstruction dE/S
- Lecture de variables
- Ecriture de variables
- Ecriture de messages
-Enchainement entre la lecture et lcriture de variable
-Enchainement entre la lecture de variable et lcriture de
messages
-Syntaxe dune instruction daffectation
-Smantique dans une instruction daffectation
- Loprateur daffectation
- Ecriture dexpression
-Syntaxe dune instruction conditionnelle
-Ecriture dexpression
- Forme dinstruction de bloc
- Ecriture dexpression
- Forme dinstruction de bloc
Syntaxe gnrale de la boucle Tant que
- Syntaxe de lexpression de la boucle tant que
- Initialisation du compteur ditration de la boucle tant
que
Incrmentation du compteur ditration de la boucle
tant que
- Syntaxe gnrale de la boucle Pour
- Syntaxe de lexpression dune boucle Pour
- Compteur ditration dune boucle Pour
Lecture des lments dun tableau
- Affichage des lments dun tableau
-Tri des lments dun tableau

Tableau 8. Principales instances des notions et IC dOntoAlgo

76

Chapitre V : Applications
Enonc de lexercice

Notions correspondantes

Ecrire un algorithme
qui lit un caractre et
affiche
le
messageCest un A
sil sagit de la lettre
A

-Structuration dun
algorithme

IC correspondants

-Syntaxe de len-tte
-Forme gnrale dune dclaration
de variable
-Dclaration de variables -Dlimitation du corps dalgorithme
-Structure dun algorithme
-E/S de donnes
-Syntaxe dune instruction
-Ecriture dexpression
-Instruction alternative
-Syntaxe dune instruction
conditionnelle
-Dlimitation dune instruction
dE/S
-Lecture de variable
-Ecriture de message
-Forme dinstruction de bloc
-Lexique des mots
-Dclaration de variables caractre
-Les identificateurs

Coefficient
1
1
1
1
1
1
3
1
1
3
1
1
3
1

Tableau 9. Caractrisation dun exercice dalgorithmique par les notions et les IC.
La figure 25 montre que chaque exercice permet de dfinir un sous domaine
denseignement par projection par rapport aux composantes, situes diffrents niveaux
du modle ontologique du domaine denseignement considr, values par lexercice.

Figure. 25. Exemple de la projection de lexercice 12 sur le sous domaine de


lalgorithmique

77

Chapitre V : Applications

A titre dexemple, dans le cas de lexercice prcdent, les erreurs criture de message
inexistante , ou instruction alternative non utilise seraient des E.S.S. alors que des
erreurs comme type de lidentificateur diffrent du type de lexpression qui lui est
affect ou identificateur non dclar seraient des E.S C.

V-1-2- Diagnostic des erreurs


Selon lapproche ODALA, le diagnostique des erreurs se dcompose en ces deux tapes
:
lanalyse de la forme des algorithmes : puisque les algorithmes solutions de
lapprenant pour lexercice propos ont une forme textuelle correspondant au
pseudo langage algorithmique propos (cf. annexe A), cette analyse est base sur
une grammaire dfinie pour ce langage. Cette grammaire permet donc la dtection
derreurs lexico syntaxiques. La saisie des solutions tant faite via un diteur de
textes.
La figure 26 montre lenvironnement de rsolution dexercice disponible dans
lespace apprenant avec les erreurs lexico-syntaxiques dtectes aprs lanalyse de
la forme de la solution tape par lapprenant (dans la fentre droite de lcran).

Figure 26. Rponse de lanalyseur quand il y a des erreurs lexico-syntaxiques.

Lanalyse de la smantique des algorithmes : permet de dtecter des erreurs


smantiques communes grce des fonctions intgres dans la grammaire danalyse
lexico syntaxique. Les erreurs smantiques spcifiques sont dtectes par des rgles

78

Chapitre V : Applications

de dtections de caractristiques excutes dans un module aprs lexcution des


diffrentes fonctions de la grammaire. La figure 27 montre laffichage de quelques
erreurs smantiques.

Figure 27. Rponse de lanalyseur quand il y a des erreurs smantiques

V-1-3- Le processus de notation et la mise jour du modle apprenant


Limplmentation des formules et de la mthode de calcul de notes et paramtres de
lapproche ODALA donne lieu un module de notation rutilisable qui peut tre appel,
avec des paramtres adquats, partir du systme dvaluation et/ ou partir du module
de lapprenant.
Les donnes calcules (note dexercice, indice de comprhension des IC, ) sont alors
stockes dans des structures accessibles depuis lespace auteur (cf. Figure 28) ou
lespace apprenant comme lindiquent les figures Figure 29, Figure 30.

79

Chapitre V : Applications

Figure 28. Vue sur les notes de sessions dun apprenant partir de lespace auteur

Figure 29 Vue sur les notes des exercices dans lespace apprenant

80

Chapitre V : Applications

Figure 30. Vue sur les indices de comprhension des items de connaissances de la
session courante partir de lespace apprenant

V-1-4- Autres fonctionnalits du systme WebSiela


En plus du module dexercices, le systme WebSiela est dot de certaines
fonctionnalits qui lui assurent un fonctionnement en tant que plate-forme autonome au
cas o elle nest pas intgre un autre EIAH de type LMS. Nous avons notamment :

La gnration de cours (ressources de type documents) qui utilise les liens de


lontologie (compos de, prrequis de, ) pour naviguer entres les
documents cours correspondant aux notions (cf. Figure 31) et les documents
de type sections correspondant aux items de connaissances.

Et des outils de communication comme le forum, le chat et la messagerie.

V-1-5- Tests et rsultats


Des tests ont t raliss partir de copies dexamen dun groupe de trente tudiants de
premire anne LMD mathmatique et informatique de notre universit. Trois exercices
du prototype ralis ont fait objet de lexamen propos. Les copies ont t corriges par
deux enseignants humains et par le module dvaluation de WebSiela.
Chacun des taux de dtection derreurs synthtiss dans le tableau 10 et reprsent par
les figures 32 et 33 est calcul en fonction du taux derreurs dtectes (par rapport au
nombre derreurs existant dans la solution) pour chaque copie parmi les trente.

81

Chapitre V : Applications

Figure 31. Prsentation de la liste des cours

Erreurs
Lexico_Syntaxiques
dtectes et
commises

Erreurs
Lexico_Syntaxiques
dtectes et non
commises

Taux de
dtection par
WebSiela

91,27 %

Taux de
dtection par le
correcteur 1
Taux de
dtection par le
correcteur 2

96,56

35 %
(7 parmi les 20 copies
o il y a des erreurs
lexico-syntaxiques)
0

100

Erreurs
Smantiques
prsentes dans
la base
derreurs
100%

Erreurs
Smantiques
absentes de la
base derreurs

97,23

100

100

98,33

Tableau 10 : Taux de dtection derreurs [Bouarab-Dahmani & al. 08c]


Linterprtation de ces rsultats montre que le processus de correction automatique mis

en uvre dans WebSiela se rapproche de la correction humaine, lexception


notable [Bouarab-Dahmani & al. 09b] :

des erreurs dtectes non commises qui est un problme connu en compilation. En
effet certaines erreurs lexico-syntaxiques faussent la suite de lanalyse et donnent
lieu dautres erreurs. Lorsque, par exemple, le mot cl Tant que est mal crit,
la suite de la boucle est mal analyse puisque les rgles syntaxiques correspondantes
ne vont pas tre appliques. Ceci fait dailleurs lobjet de nos travaux actuels dans le
sens dune plus grande adaptation du processus de diagnostic des erreurs ce type
danomalie,

des erreurs smantiques commises non dtectes du fait quelles sont absentes dans
la base derreurs du systme qui est videmment incapable de les dtecter. Il va de
82

Chapitre V : Applications

soi que sur ce plan le problme consiste enrichir jusqu lexhaustivit, autant que
possible, la base derreurs smantiques du systme. Lexprimentation mene a
dailleurs dj t trs instructive sur ce point.

Figure 32. Histogrammes des taux de dtection de WebSiela

Figure 33. Taux de dtection de WebSiela par Type dErreurs


Notons enfin que les corrections de WebSiela sont gnralement plus dtailles et plus
uniformes dun tudiant un autre alors que certaines corrections denseignants
humains sont vagues (les erreurs ne sont pas prcises) et parfois fortement variables
dune copie lautre.
Le dveloppement de WebSiela sest fait dune faon incrmentale par des personnes
diffrentes qui nont trouv aucune difficult amliorer la version prcdente. En effet
les douze personnes impliques dans le dveloppement de WebSiela (tudiants en fin de
cycle ingnieur de notre universit) pensent que lapproche ODALA (reprsentation du

83

Chapitre V : Applications

domaine et lapproche dvaluation) les a aids comprendre la version de dpart et


procder lextension ou lamlioration sans aucune difficult. Cette constatation est
trs importante et encourageante vu que le dveloppement dun EIAH en gnral et de
lvaluation automatise en particulier sont ncessairement raliss par des concepteurs
et programmeurs diffrents.
Ces rsultats illustrent, au moins dans ses objectifs premiers, la validit de notre
approche et confirment la nature incrmentale du processus dvaluation automatise.
La mise disposition du prototype ralis au profit dun plus grand nombre
dapprenants, actuellement en cours, va sans doute nous permettre daffiner un peu plus
le processus de diagnostic et de perfectionner le systme WebSiela pour en amliorer
ses performances.

V-2- Enseignement des Bases de Donnes Relationnelles


Les Bases de Donnes occupent aujourd'hui une place de plus en plus importante dans
les systmes informatiques. Les Systmes de Gestion de Bases de Donnes (SGBD)
remplacent les anciennes organisations o les donnes, regroupes en fichiers, restaient
lies une application particulire. Ils assurent le partage, la cohrence, la scurit,
des donnes qui permettent la production de linformation qui, de plus en plus, constitue
le cur de l'entreprise.
Le modle relationnel a t propos par le mathmaticien amricain E.F Codd dans les
annes 70. Codd a initialement introduit des oprateurs dalgbre relationnelle inspirs
de lalgbre mathmatique pour la manipulation dune base de donnes relationnelle
(BDDR ) reprsente par son schma et ses occurrences. Les oprations de base peuvent
tre classes en deux types : les oprations ensemblistes traditionnelles et les oprations
spcifiques. Les oprations ensemblistes sont des oprations binaires, cest--dire qu
partir de deux relations elles en construisent une troisime. Ce sont lunion, la
diffrence et le produit, Les oprations spcifiques sont les oprations unaires de
projection et de restriction qui, partir dune relation, en construisent une autre, et
lopration binaire de jointure. Cet ensemble doprations peut tre reprsent soit sous
forme graphique (Arbre algbrique) soit sous forme littrale (expression algbrique) ou
encore sous forme dun programme excutable par le SGBD.
Lenseignement du domaine des bases de donnes relationnelles est intressant et
important pour diffrents cursus et differents tablissement denseignement tels que les
disciplines informatique, management, marketing, gestion, Cest aussi un domaine
trs convoit pour diffrentes formations de personnels en cas de migration vers les
BDDR aprs lutilisation par les organisations concernes dautres types de BDD telles
que les BDD rseaux ou hirarchiques. En plus, ce domaine ncessite un apprentissage
par lexercice. Cest pour cela que nous lavons choisi comme deuxime cas
dexprimentation des approches proposes pour la modlisation de domaines
denseignement et lvaluation automatise de connaissances des apprenants. Nous
avons aussi constat que les systmes EIAH destins pour les BDDR sont rares en
particulier quand des questions ouvertes rsolues librement par des apprenants sont
integres

84

Chapitre V : Applications

Nous avons mis en uvre lapproche ODALA propose travers le dveloppement


dun deuxime environnement dauto-apprentissage distance des BDDR appel RDBE-LEARN (Relational Database E-LEARNing) (cf. Figure 34). Le module dexercices
sera essentiellement destin, cette tape, pour des exercices sur lalgbre relationnelle
donc pour la manipulation dune BDDR.

Un aperu sur les tapes de dveloppement de RDB-E-LEARN, similaires celles dj


prsentes dans ltude du cas de lalgorithmique, est donn dans les sections suivantes
de ce paragraphe.

V-2-1-. Modlisation ontologique du domaine


Les principaux concepts proposs dans [Bouarab-Dahmani & Si-Mohammed, 08d] et
utiliss par lapproche ODALA sont : Notions, items de connaissances, exercices et
erreurs. En plus nous avons les diffrents liens entre ces concepts.
RdbOnto, lontologie du domaine des BDDR est obtenue par instanciation dOnto-TDM
(dcrite au chapitre III). RdbOnto-Eval est lontologie des BDDR utilise dans le
contexte de lvaluation des connaissances. Le prototype courant est destin pour les
BDDR de base : gnralits sur les BDDR, oprations de base de manipulation dune
BDDR,
RdbOnto propose trois niveaux de dcomposition : Notions, Sous-Notions et Items de
connaissances.
Comme pour WebSiela, limplmentation de cette ontologie est faite dans une base de
donnes MySQL et les rgles de lontologie sont pour la plupart incorpores dans les
scripts manipulant cette BDD. Aussi, les rsultats de manipulation de lontologie sont
formats avec le langage XML et des feuilles de style XSL.
Les langages de scripts utiliss sont essentiellement PHP et JAVASCRIPT et une applet
Java pour lditeur darbre algbrique. Nous avons aussi utilis lenvironnement
EASYPHP utilisant les serveurs APACHE et MYSQL. Lacquisition des connaissances
(notions, exercices, erreurs, ) de lontologie se fait via linterface dacquisition
rutilisable appele Espace auteur dj utilise avec WebSiela.
Le Tableau 11 rsume les principales notions, sous notions et items de connaissances
(dont certains sont reprsents par la hirarchie de dcomposition de la figure 35)
implments dans le prototype ralis explicitant aussi le lien de composition entre ces
composantes. La base de donnes ainsi implmente compte vingt (20) notions et sous
notions, cent douze (112) IC, dix (10) exercices relatifs des requtes, ainsi quune base
derreurs rfrenant une centaine derreur de forme (relatives aux formalismes des
expressions algbriques) et une centaine derreurs smantiques.

85

Chapitre V : Applications

Figure 34. Page daccueil du systme RDB-E-LEARN

Notions
-Introduction
au modle
relationnel

Sous Notions

Items de connaissance

1. Rappels sur les bases


donnes

1. Principe de lapproche bases de donnes


2. Dfinition dune base de donnes
3. Catgories des bases de donnes

2. Historique du modle
relationnel

4. Origine du modle relationnel


5. Objectifs du modle relationnel

3. La relation.

4. Les rgles dintgrit

Algbre
relationnelle

5. Les oprateurs unaires

6. Dfinition dune relation


7. Attribut dune relation
8. Degr dune relation
9. Cl dune relation
10. Schma dune relation
11. Domaine dun attribut
12. Valeur nulle dun attribut
13. Occurrence dune relation
14. Cardinalit dune relation
15. Contrainte dunicit de la cl
16. Contrainte de rfrence
17. Contrainte dentit
18. Contrainte de domaine
19. Principe des oprateurs unaires
20. Oprateur de la slection
21. Oprateur du complment
22. Oprateur de la projection
23. Oprateur de lauto jointure
24. Syntaxe dune opration algbrique unaire

86

Chapitre V : Applications
6. Les oprateurs binaires

7. Opration algbrique

Arbre
algbrique

8. La reprsentation
graphique des operateurs
unaire

9. La reprsentation
graphique des operateurs
binaire

10. Dfinition de donne


avec SQL

11. Manipulation de donnes


avec SQL

Le
langage
SQL

25. Principe des oprateurs binaires


26. Oprateur de lunion
27. Oprateur de lintersection
28. Oprateur de la diffrence25. Principe des
oprateurs binaires
29. Oprateur de lunion
30. Oprateur de lintersection
31. Oprateur de la diffrence
32. Oprateur du produit cartsien
33. Oprateur de thta-produit
34. Oprateur de la jointure naturelle
35. Oprateur de la jointure extrieure
36. Oprateur de la semi-jointure
37. Syntaxe dune opration algbrique binaire
38. Syntaxe de la condition
39. Lexique du mot
40. Syntaxe dune opration algbrique

41. Principe des symboles unaires


42. Formalise de la slection
43. Formalise du complment
44. Formalise de la projection
45. formalise de renommage
46. formalise de reprsentation des oprateurs
unaires
47. Principe des symboles binaires
48. Formalise dunion
49. Formalise dintersection
50. Formalise de la diffrence
51. Formalise du produit cartsien
52. Formalise thta-produit
53. Formalise de la jointure naturelle
54. Formalise de la jointure extrieure
55. Formalise de la semi jointure gauche
56. Formalise de la semi jointure droite
57. Formalise de reprsentation des oprateurs
Binaires
58. Cration
dune base de donnes
relationnelle
avec SQL
59. Cration dune table avec SQL
60. Modification dune table avec SQL
61. Renommer une table avec SQL
62. Suppression dune table avec SQL
63. Expression insert avec SQL
64. Expression update avec SQL
65. Expression delete avec SQL
66. Expression de la projection avec SQL
67. Expression de la slection avec SQL
68. Expression de complment avec SQL
69. Expression de lintersection avec SQL
70. Expression de la diffrence avec SQL
71. Expression de la division avec SQL
72. Expression de lunion avec SQL
73. Expression du produit cartsien avec SQL
74. Expression de la jointure naturelle avec SQL
75. Expression du thta-produit avec SQL
76. Auto jointure avec SQL
77. Expression de la jointure extrieure avec

87

Chapitre V : Applications

12. Les autres


fonctionnalits du SQL

Dpendances
et
Normalisation

13. Les dpendances


fonctionnelles et les trois
formes normales

14. Les dpendances


multivalues et La
quatrime forme normale
15. Les dpendances de
jointures et La
cinquime forme normale
16 .Algorithmes de
normalisation

SQL
78. Expression de la semi-jointure avec SQL
79. Recherche des valeurs nulles
80. Les oprateurs arithmtiques
81. La fonction MAX avec SQL
82 La fonction MIN avec SQL
83. La fonction COUNT avec SQL
84. La fonction SUM avec SQL
85. La fonction AVG avec SQL
86. La fonction DISTINCT avec SQL
87. La fonction Order By avec SQL
88. La fonction Group By avec SQL
89. La fonction Between avec SQL
90. La fonction Like avec SQL
91. Principe des dpendances fonctionnelles
92. Proprits des dpendances fonctionnelles
93. Les
dpendances
fonctionnelles
lmentaires
94. Les dpendances fonctionnelles directes
95. Graphe de dpendances fonctionnelles
96. La fermeture transitive
97. La couverture minimale
98. Principe de normalisation
99. La premire forme normale
100. La deuxime forme normale
101. La troisime forme normale
102 La forme normale de Boyce_Codd
103. Principes des dpendances multivalues
104. Proprits des dpendances multivalues
105. Principe de normalisation
106. La quatrime forme normale
107. Principe de dpendances de jointures
108. Principe de normalisation
109. La cinquime forme normale
110. Principe de normalisation
111. Algorithmes de normalisation par synthse
112. Algorithmes
de
normalisation par
dcomposition

Tableau 11. Principales instances des notions et IC dRdbOnto


Un exercice dans le prototype courant de RDB-E-LEARN est un exercice dalgbre
relationnelle dfini par un schma relationnel de la BDDR suivi dune requte. La
rsolution dun exercice met en jeu un certain nombre ditems de connaissances qui sont
sences apparaitre dans la solution de lapprenant.
Par exemple, soit lexercice 2 du prototype RDB-E-LEARN dcrit par le tableau 12. Cet
exercice est une projection sur le sous espace du domaine des BDDR o les notions de
premier niveau mise en jeu sont : introduction au modle relationnel et algbre
relationnel . Toutes les erreurs de la base derreurs (cf. Annexe D) relies aux items de
connaissances quvalue lexercice 2 (comme les erreurs de numros : 112, 108, 94, 17,
) sont potentielles donc possibles dans les diffrentes solutions de lapprenant.

88

Chapitre V : Applications

Figure 35. Hirarchie de dcomposition du domaine des BDDR

89

Chapitre V : Applications

La colonne des poids, qui reprsentent les coefficients dimportances des items de
lexercice, influent sur le barme de notation de celui ci.
Exercice 2 : Enonc
"Soit le schma
relationnel suivant se
rapportant la
reprsentation dune
base de donnes
arienne :
-PILOTE(NUMPIL,
NOMPIL, ADR, SAL)
-AVION (NUMAV,
NOMAV, CAP, LOC)
-VOL (NUMVOL,
NUMPIL, NUMAV,
VILLE_DEP,
VILLE_ARR,
H_DEP,
H_ARR)
Rpondre la requte
suivante avec une
expression algbrique
:
Quels
sont
les
avions
(numro et
nom) localiss Alger
et ceux qui ont dj
effectu un vol vers le
Singapour

Notions du 1er Notions du


niveau
2ieme niveau

Items de connaissances

6. Dfinition dune relation


7 Attribut dune relation
8 Degr dune relation
9 Cl dune relation
10 Schma dune relation
19 Principe des operateurs unaires
20 l'oprateur de slection
-Operateur
22 Loprateur de projection
binaire
24 Syntaxe des oprateurs unaires
25 Principe des operateurs binaires
-Operateur unaire 26 Loprateur dunion
34 Syntaxe des oprateurs binaires
35. Syntaxe dune condition dun
oprateur algbrique.
36. Lexique des mots
37. Syntaxe dune opration
algbrique

-Le concept de
- Introduction relation
au modle
relationnel
-Opration
algbrique
-Algbre
Relationnelle

Poids
1
1
1
1
1
1
2
2
1
1
3
2
1
1
1

Tableau 12: Exemple de liens Exercice-Items-Notions extrait de RDD-E-LEARN

La rponse de lapprenant tant une rponse une requte, elle a au moins une des trois
formes suivantes :

Expression algbrique relationnelle : dans ce cas la solution est une suite


doprateurs algbriques avec les identifiants des relations du schma de la
BDDR dans lnonc comme oprandes. Nous avons dfini un langage
algbrique (cf. Annexe C) qui est en fait une synthse de la documentation
sur lalgbre relationnelles (parfois divergentes en terminologie et mme
parfois dans le sens si nous considrons le cas des jointures par exemple) vu
quil ny a pas de langage standard. La figure 36 donne un exemple de
solution algbrique lexercice 2 du tableau ci haut.
R1 := SELECTION (AVION/ Loc = Alger)
R2 := SELECTION (VOL/ VILLE_ARR= Singapour)
R3 := NATJOIN (R1, R2 / NumAv)
R4 := PROJ (R3 | NUMAV, NOMAV Rsultat

Figure 36. Exemple dexpression algbrique


90

Chapitre V : Applications

Arbre algbrique: cest une forme graphique o chaque oprateur algbrique est
exprim avec un symbole spcifique. La figure 37 exprime la solution
prcdente sous forme dun arbre algbrique.

Figure 37. Exemple darbre algbrique

Programme dans un langage relationnel : le plus populaire des langages de nos


jours est le langage de requtes SQL1 qui est un standard. Une rponse une
requte dans ce cas sera une suite dinstructions du langage de programmation
SQL. La figure 38 montre la traduction de lexpression algbrique prcdente
dans un programme SQL.

SELECT NUMAV, NOMAV FROM AVION


WHERE Loc = Alger AND NumAv IN
SELECT NUMAV FROM VOL
WHERE VILLE_ARR = Singapour

Figure 38. Exemple de programme SQL


A ce niveau de nos travaux de recherches sur lutilisation de lapproche ODALA pour le
dveloppement dun EIAH pour le-learning des BDDR, la prise en charge par
lvaluateur de rponses sous forme de programmes SQL ou dun autre langage de
bases de donnes nest pas profondment tudie pour la simple raison que, pour ces
langages, la grammaire danalyse de la forme est dj construite. Les formes de
solutions considres sont respectivement les expressions algbriques et les arbres
algbriques.
1

Structured Query Language

91

Chapitre V : Applications

De mme, la taxonomie des erreurs est respecte avec RDB-E-LEARN. En effet nous
avons construit la base derreurs de forme et derreurs smantiques (les spcifiques et
les communes) comme lindique lannexe D o les principales erreurs sont prsentes.
V-2-2-Diagnostic des erreurs [Bouarab-Dahmani & al. 10a]
Selon lapproche ODALA, le diagnostique des erreurs se dcompose en ces deux tapes
:

lanalyse de la forme des solutions : puisque les rponses une requte de


lapprenant ont deux formes possibles, deux cas peuvent se prsenter :
lanalyse de la forme dun arbre algbrique est intgre lditeur
darbre algbrique propos lapprenant pour construire sa solution en
choisissant ses symboles sans risques derreurs de dessin partir dune
table des symboles (cf. Figure 39) possibles en algbre relationnelle.
Grce laide fournie par cette table, il ny a quasiment pas danalyse de
la forme dans ce cas.

Figure 39. La table des symboles du formalisme des arbres algbriques


intgre lenvironnement de rsolution de lapprenant
lanalyse dune expression algbrique se fait par une grammaire de type
2 que nous avons conue et dveloppe (cf. figure 40). La solution
textuelle saisie via un diteur de texte sera analyse pour une ventuelle
dtection derreurs lexico-syntaxiques. La figure 41 montre un exemple
daffichage derreurs de forme aprs analyse de la forme de la solution
de lapprenant.

92

Chapitre V : Applications

GALGEBRIQUE> <OPERATIONALG> <SUITEOPALG>

1)

<OPERATIONALG>

<<ID >> << :=>> <<UNION>> <<(>> <<ID>> <<,>> <<ID>> <<) >> | <<ID >>

<< :=>> <<DIF >> <<( >> <<ID>> <<,>> <<ID >><<)>> |<<ID >> << :=>> <<INTER>> <<(>> <<ID>> <<,>>
<<ID>> <<)>> |<<ID >> << :=>>

<<EXTJOIN >> << (>> << ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>>

<<SEMIJOIN>> <<(>> <<ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>> << NATJOIN>> <<( >> <<ID>> <<,>>
<<ID>> <<)>> | <<ID >>

<< :=>>

<<AUTOJOIN>>

<<(>>

<<ID>>

<<)>> | <<ID >>

<< :=>>

<<THETAPRODUCT>> <<(>> <<ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>> <<PRODUCT>> <<(>> <<ID>>
<< ,>> <<ID>> <<)>> | <<ID >> << :=>> <<SELECTION>> <<(>> << ID>> <<\>>
<<COMP>> <<(>> <<ID>> <<)>>|<<ID >> << :=>> << PROJ>>

<EXPCOND> << ) >> |

<<(>> <<ID>> << \>> <LISTATTRIBUPROJ

> <<)>>

2)

<SUITEOPALG> <PGALGEBRIQUE>

3)

<LISTATTRIBUPROJ >

4)

<SUITLISTATTRIBUPROJ > << , >> <LISTATTRIBUPROJ >|

5)

<EXPCOND>

6)

<EXPCOMP>

<<( >> <EXPARITH> <<)>> <OPCOMP> <<( >> <EXPARITH> <<)>>

<EXPARITH>

<<( >> <EXPARITH> <<)>>

7)

<IDATTRIBU> <SUITLISTATTRIBUPROJ >

<<[ >> <EXPCOND> << ] >> <OPLOG> <<[>> <EXPCOND> <<]>> | <EXPCOMP>

<OPARITH> <<(>> <EXPARITH> <<)>> | <<ID >> |

<<CSTE>> |

8)

< OPARITH> <<+ >> | <<->> | <<* >>| << />>

9)

<OPCOMP> << < >> | << > >> | << <= >> | << >= >> | << <> >> | << = >>

10) < OPLOG> <<&&>> | <<||>>

Figure 40. Extrait de la Grammaire correspondant au langage algbrique propos

Lanalyse de la smantique : celle-ci permet de dtecter des erreurs smantiques


communes grce des fonctions intgres dans la grammaire danalyse lexico
syntaxique pour le cas danalyse dexpressions algbriques et dans un programme
part pour le cas danalyse darbres algbriques. Les erreurs smantiques spcifiques
sont dtectes par des rgles de dtections de caractristiques de la mme manire
quelle que soit la forme de la solution. La figure 42 montre laffichage de quelques
erreurs smantiques pour le cas dexpression algbrique et la figure 43 montre des
erreurs aprs lanalyse dun arbre algbrique.

93

Chapitre V : Applications

Figure 41. Exemple daffichage derreurs de forme par RDB-E-LEARN aprs


analyse dune expression algbrique

Figure 42. Exemple daffichage derreurs smantiques par RDB-E-LEARN aprs


analyse dune expression algbrique

94

Chapitre V : Applications

Figure 43. Exemple daffichage derreurs smantique aprs analyse dun arbre
algbrique par RDB-E-LEARN

V-2-3- Le processus de notation et la mise jour du modle apprenant


Les formules et structures proposes par lapproche ODALA sont rutilisables et sont
implmentes dans le module de notation de RDB-E-LEARN. Les donnes calcules
(notes dexercices, indices de comprhension des IC, ) sont alors stockes dans des
structures accessibles depuis lespace auteur ou lespace apprenant comme pour le cas
du systme WebSiela.

V-2-4- Autres fonctionnalits du systme RDB-E-LEARN


En plus du module dexercices, le systme RDB-E-LEARN est dot de certaines
fonctionnalits qui lui assurent un fonctionnement en tant que plate forme autonome en
cas o elle nest pas intgre un autre EIAH. Nous avons notamment :

la gnration de cours (ressources de type documents) qui utilise les liens de


lontologie (compos de, prrequis de, ) pour naviguer entre les
documents cours correspondants aux notions (cf. Figure 44) et les documents
de type sections correspondants aux items de connaissances.

Evaluation par questionnaires : RDB-E-LEARN propose la possibilit


dvaluation par des questions o lapprenant choisit sa rponse. Nous avons
notamment les questions de type vrai/faux des questions trou, des QCM
(questions choix multiples) (cf. Figure 45),

95

Chapitre V : Applications

Figure 44. Affichage dun cours sur une notion par RDB-E-LEARN

Figure 45. Affichage dun QCM par RDB-E-LEARN

Les diffrents outils de communication Web comme le chat, la messagerie


et le Forum.

96

Chapitre V : Applications

V-2-5- Tests et rsultats


Des tests ont t raliss partir de copies dexamen dun groupe de trente cinq
tudiants de la deuxime anne LMD informatique du dpartement informatique de
notre universit. Trois exercices du prototype ralis ont fait objet de lexamen propos.
Les copies ont t corriges par deux enseignants humains et par le module dvaluation
de RDB-E-LEARN. Pour ce dernier, nous avons dessin les arbres algbriques tels
quils sont dessins par les tudiants dans leurs copies. Les rsultats et constats pour
chaque type de forme sont comme suit [Bouarab-Dahmani & al. 10a] :

Le cas des arbres algbriques : Les rsultats (comme le montre la figure 46),
quand les erreurs smantiques sont connues pas le systme, sont des
moments meilleurs que celles des correcteurs humains. Aussi, nous navons
pas la contrainte des erreurs de forme qui faussent des fois lanalyse de la
smantique. Les apprenants ont prfr le mode graphique pour la facilit
offerte par la table des symboles. Certains enseignants de notre dpartement
pensent que lditeur graphique est adquat pour les novices qui nont pas
encore maitris les oprateurs algbriques.

Figure 46. Taux de dtection derreurs avec RDB-E-LEARN dans le cas darbres
algbriques [Bouarab-Dahmani & al. 10a].

Le cas des expressions algbriques : comme il y a analyse de la forme, les


taux de dtection du tableau 13 montrent des rsultats similaires ceux
obtenus aprs les tests avec le systme WebSiela. En effet, nous constatons
ce qui suit :
Il y a des fois dtection derreurs de forme inexistantes dans la solution de
lapprenant. Ceci est du au fait que certaines erreurs lexico-syntaxiques
entrainent dautres comme cest le cas de certains compilateurs de
langages de programmation

97

Chapitre V : Applications

Les erreurs non enregistres dans la base derreurs ne sont pas dtectes
par RDB-E-LEARN.
Les erreurs enregistres dans la base derreurs sont toujours detectes par
RDB-E-LEARN.
Les copies dexamens sont toutes values de la mme faon avec RDB-ELEARN. Cependant, ce nest pas le cas des correcteurs humains o le
niveau de dtail de la correction dpend du niveau de fatigue, de
concentration, du correcteur.

Taux de
dtection
par RDB-ELEARN
Taux de
dtection
par le
correcteur 1
Taux de
dtection
par le
correcteur 2

Erreurs
Lexico_Syntaxiques
dtectes et
commises
90.27 %

Erreurs
Lexico_Syntaxiques
dtectes et non
commises
97.56%

Erreurs
Smantiques
de la base
derreurs
100%

Erreurs
Smantiques
absentes de la
base derreurs
0

100%

95.23%

100%

97.56%

100

96,33%

Tableau 13. Taux de dtection derreurs dans le cas de solutions en expressions


algbriques [Bouarab-Dahmani & al. 10b]
Enfin, le systme RDB-E-LEARN est bas sur lapproche ODALA pour la construction
de lontologie du domaine des BDDR et le dveloppement du module dexercices
permettant lvaluation automatise des apprenants. Ce systme peut tre trs utile pour
les dbutants en apprentissage par lexercice des BDDR.
Dautre part ce systme nous a permis de vrifier certaines hypothses de lapproche
ODALA telles que les possibilits de rutilisations de lontologie de domaine
denseignement, les fonctions de notations, lanalyse smantique base sur
caractristiques,

V-3- Environnement Multi-Domaines : La Plate-Forme Campus ELearn


Au lieu dutiliser lun des environnements dvelopp pour chacun des systmes
WebSiela et RDB-E-LEARN, nous avons opt pour un test en utilisant un LMS
(learning management system) qui soit populaire et open source en mme temps. Notre
choix a port sur la plateforme MOODLE que nous citons en exemple dans ce
paragraphe. En effet MOODLE est parmi les plateformes sous licence GNU qui sont les
plus adaptes et entendues pour obtenir des campus numriques. Ceci grce sa
souplesse, sa simplicit et ses fonctionnalits. Nous avons donc intgr les cours
98

Chapitre V : Applications

(concept utilis sous MOODLE pour voquer un domaine enseigner) dalgorithmique


et celui des BDDR sous format SCORM aprs gnration des manifests respectifs
partir de OntoAlgo et RdbOnto.
WebSiela et RDB-E-LEARN sont intgrs pour le moment comme des ressources
MOODLE (via loption ajouter un lien vers un site web ) excutable par lapprenant
librement ou sous conditions (priode, profil apprenant, ) poses par le tuteur.
Lenvironnement dauto-apprentissage distance ainsi obtenu est actuellement appel
Campus-E-learn-UMMTO (cf. Figure 47).

Figure 47. La page daccueil de Campus E-learn UMMTO

En cliquant sur Web_Siela, on accde la page daccueil du site de ce systme.


Loption MOODLE de la figure 48 permet de repartir dans lenvironnement
Campus-E-learn-UMMTO.
Parmi les possibilits de MOODLE nous avons celle qui permet lexpos dun cours au
format du standard SCORM et la proposition de quiz. En cliquant sur Initiation
lalgorithmique par exemple, lapprenant peut naviguer dans la liste des cours
dalgorithmique (cf. Figure 49).

99

Chapitre V : Applications

Figure 48. Page daccueil de WebSiela partir de Campus E-learn UMMTO

Figure 49 Exemple de cours dalgorithmique au format SCORM

100

Chapitre V : Applications

Beaucoup de possibilits et diffrentes variantes se prsentent pour combiner nos


propositions de modles ontologiques pour domaines denseignement et une approche
dvaluation (mthodologie et techniques) avec les outils de E-learning actuels
notamment les standards pour lesquels notre travail se trouve complmentaire.
Campus-E-learn-UMMTO est juste cit ici titre dexemple de ces possibilits,
cependant cet environnement trouve son essence dans notre espoir daller bout de son
dveloppement pour concrtiser la possibilit dun campus numrique luniversit
Mouloud Mammeri de Tizi Ouzou (UMMTO), ce qui reste lun des objectifs de nos
prochaines recherches.

Conclusion
Les tudes pratiques menes pour valuer nos propositions nous permettent dobtenir
des rsultats encourageants et nous orientent vers la ncessit de cerner dune faon plus
optimale, lensemble des erreurs smantiques de chaque domaine considr en nous
penchant davantage sur les liens possibles entre les erreurs pour viter le constat
rcurrent derreurs dtectes non commises. Plus gnralement, les rsultats de ces tests
permettent denvisager limplmentation de cette mme approche dans dautres
domaines denseignement, pour peu quil soit possible de les reprsenter sous forme
dontologies faisant intervenir notions et IC, ce que nous nous fixons comme objectif
pour la suite de nos travaux.

101

Conclusion Gnrale

Conclusion Gnrale

Le prsent travail de thse traite dune problmatique sarticulant sur trois axes de
recherches : les ontologies, les Environnements Informatique dApprentissage
Humain (EIAH), et lvaluation automatise des connaissances dun apprenant.
Lintrt de ce type de problmatique est particulirement significatif de nos jours du
fait du dveloppement considrable doutils dassistance lducation, formation et
apprentissage, favoris notamment par le phnomne Web.
Nous avons consacr les deux premiers chapitres de cette thse un examen de ltat
de lart dans chacun de ces trois axes, en prsentant dabord lessentiel des notions
considres ainsi que certains travaux de recherches sur les EIAH, lvaluation des
apprenants et les ontologies. Nous nous sommes ensuite intresss aux travaux
pouvant associer ces trois domaines, portant donc directement notre problmatique.
Nous avons pu dduire au bout de notre tude que lutilisation des ontologies pour la
modlisation de domaines denseignement destins lapprentissage par lexercice et
intgrant de ce fait lvaluation automatise des apprenants est une approche
relativement originale. En effet, bien que lintrt daborder ce type de dmarche
pour avoir des environnements dapprentissage comptitifs et efficaces est voqu
dans certains travaux, nous navons pratiquement pas pu rencontrer de propositions
concrtes de mise en uvre, que se soit en termes dapproches, de modles ou de
techniques.
Notre contribution au traitement de cette problmatique intgre les trois aspects
suivants :
-

Le premier consiste en la proposition dun modle ontologique pour un


domaine denseignement (Onto-TDM). Ce modle tant a priori valable
pour tout domaine et pouvant tre exploit par toute activit dapprentissage
ou de recherche dinformation, est nanmoins particulirement adapt aux
activits dapprentissages par lexercice et lvaluation automatise des
connaissances des apprenants. Linstanciation du modle Onto-TDM pour un
domaine spcifique permet de constituer dans chaque cas la base de
connaissance de celui-ci.

Le second aspect se rapporte lvaluation des connaissances des apprenants


en learning by doing par la prsentation dune approche et de techniques
dvaluation. Lapproche ODALA est base sur lontologie du domaine
denseignement, laquelle permet la ralisation de chaque tape de
102

Conclusion Gnrale

lvaluation grce lutilisation de la smantique du domaine reprsente


dans lontologie. En effet, le processus dODALA propose, aprs la
construction de la base de connaissance du domaine spcifique donn (par
instanciation de lontologie propose), de mettre en uvre un module de
diagnostic des erreurs, lui-mme compos dun analyseur de la forme et dun
analyseur smantique de solutions apprenants. Grce une notation base sur
un ensemble de fonctions de calculs dfinies dans lapproche (qui sont
invariantes dun domaine un autre), la mise jour du modle de lapprenant
est effectue. Pour lanalyse smantique, ODALA met en uvre une
technique utilisant les caractristiques de lexercice tandis que pour la
notation, nous avons propos une technique de notation granulaire qui permet
la propagation de lvaluation de la progression de lapprenant sur toute la
hirarchie de dcomposition du domaine. Lvaluation prend alors en compte
des questions ouvertes avec des rponses librement construites par
lapprenant et utilise pour la notation des formules polynomiales.
-

Nous avons dans un troisime temps trait de lvaluation de nos propositions


travers leur application des domaines enseigns en informatique. La mise
en pratique de celles-ci sest faite grce au dveloppement de diffrents
prototypes de systmes de e-learning. Certains de ces prototypes (notamment
WebSiela pour lenseignement de lalgorithmique et RDB-E-LEARN pour
les bases de donnes relationnelles) ont t valus via la ralisation de tests
avec des tudiants de notre dpartement. Ensuite, un essai de mise en
application de lauto-apprentissage multi-domaines a t effectu avec
comme environnement de base la plateforme MOODLE.

Le systme WebSiela permet un apprentissage par lexercice en corrigeant les


algorithmes des apprenants crits dans un pseudo-langage algorithmique. Nous avons
galement test, pour lalgorithmique, la correction smantique de rponses sous
forme dorganigrammes construits laide dun diteur graphique.
Le systme RDB-E-LEARN permet un apprentissage par lexercice en corrigeant les
expressions algbriques des apprenants crits dans un pseudo-langage algbrique.
Nous avons test par ailleurs la correction smantique de rponses sous forme
darbres algbriques construits laide dun diteur spcifique.
Les rsultats des tests effectus sur ces prototypes sont encourageants et ont t trs
porteurs. En effet, ces rsultats montrent notamment que les systmes dvelopps en
se basant sur lapproche ODALA permettent diffrents type dvaluation en
particulier lvaluation sommative et lvaluation formative avec dtection et
affichage derreurs. Du point de vue dveloppement de systmes dapprentissage
interactif, nos propositions concernant la modlisation ontologique de domaine
denseignement, le diagnostic des erreurs, la notation des apprenants et le modle de
lapprenant semblent avoir nettement facilit le passage du dveloppement dun
prototype un autre.
Diffrentes orientations pratiques et diffrentes perspectives de recherches dcoulent
des travaux de cette thse. Concernant les prototypes raliss, il y a ncessit de
103

Conclusion Gnrale

cerner dune faon plus optimale, lensemble des erreurs smantiques du domaine de
lalgorithmique et celui des BDDR par dautres tests avec des tudiants pour aller
vers des systmes dauto-apprentissage en ligne exploitables par des tudiants
dbutants dans lun de ces deux domaines.
Plus gnralement, les rsultats de ces tests permettent denvisager la gnralisation
des rsultats ainsi obtenus dautres domaines denseignement relevant dautres
disciplines, pour examiner la rutilisabilit des approches, modles et techniques
proposs. Dautre part, la perspective de lutilisation de lvaluation propose avec
une rsolution dexercices base sur lusage de formalismes graphiques semble
particulirement intressante et porteuse. En effet lassistance apporte par les
diteurs graphiques vite certaines faiblesses des prototypes, observes lors des tests
qui sont particulirement relies lanalyse de la forme dune solution.
Lexploitation de lontologie Onto-TDM, dans le cadre de cette thse sest limite au
contexte dutilisation de lactivit dvaluation des connaissances des apprenants.
Diffrentes autres exploitations sont possibles en particulier avec les techniques et
outils du Web smantique pour raliser dautres activits denseignement ou
dapprentissage au sein de plates formes de e-learning.
Enfin nous ne pouvons tre exhaustifs sur les possibilits dutilisation ou dextension
de nos rsultats bien quayant abord trois aspects essentiels pour lefficacit de tout
EIAH savoir la modlisation du domaine denseignement, lvaluation automatise
de la progression des connaissances des apprenants et partiellement la modlisation
de lapprenant. Le caractre central de ces aspects fait que nos propositions devraient
pouvoir tre intgres aux plates formes de e-learning, combines aux normes et
standard correspondants (par exemple la norme LOM pour la modlisation de
ressources), utilises par les moteurs dadaptation dans les hypermdias adaptatifs, et
exploites par des gnrateurs automatiss de contenus adapts au profil de
lapprenant.
De cette intgration devrait dcouler une meilleure prise en charge de diffrents
aspects des systmes EIAH, tels que la didactique des domaines, une gestion efficace
de ltat de connaissances de chaque apprenant, ladaptation de sessions
dapprentissage, ou la prise en charge de question ouvertes. Ce qui va nettement
contribuer au passage vers des systmes EIAH plus intelligents et donc plus
efficaces. Cest ce que nous nous proposons de traiter dans des travaux ultrieurs.

104

Bibliographie

Bibliographie

[Anderson & Reiser 85] : Anderson J.R., Reiser B.J. The Lisp Tutor, Byte, 10(4),
1985, p. 159-175.
[Aplusix 2004] : Guide dutilisation dAplusix 1.42, site Web http//aplusix.imag.fr,
juin 2004.
[Apted & al. 03] : Apted T.,Kay J., Lum A. et Uther J. (2003). Visualisation of
Learning Ontologies. In Hoppe H.U. & Verdejo M.F. & Kay J. (Eds.), Proc.
AIED2003, 359-361.
[Bachimont 99] : Bachimont B. Lintelligence artificielle comme criture dynamique
: de la raison graphique la raison computationnelle, Grasset, Paris, 1999.
[Bachimont 00] : Bachimont B. (2000). Engagement smantique et engagement
ontologique : conception et ralisation dontologies en ingnierie des connaissances.
In R. Teulier, J. Charlet & P. Tchounikine, Coordinateurs, Ingnierie des
connaissances, chapitre 19. Paris : LHarmattan. Article rdit en 2005 dans le
cdrom associ au livre.
[Baker & al 04] : Baker, R. S., Corbett, A. T., & Koedinger, K. R. 2004. Detecting
student misuse of intelligent tutoring systems. ITS 2004, LNCS 3220, 531-540.
[Balacheff 97] : Balacheff, N., Baron, GL., Baron, M., Desmoulins, C.,
Grandbastien, M., Vivet, M. Conception denvironnements interactifs
dapprentissage avec ordinateur. Actes des cinquimes journes EIAO de Cachan.
14-16 mai 1997, Herms, (pp. 315-337).
[Balacheff 99] : Balacheff N. Apprendre la preuve. In: Sallantin J., Szczeciniarz J. J.
(eds.), Le concept de preuve la lumire de lintelligence artificielle (pp.197-236).
Paris: PUF. (1999)
[Baneyx 07] : Baneyx A. construire une ontologie de la pneumologie aspects
thoriques, modles et exprimentations. Thse de doctorat de luniversit paris 6
spcialit : informatique mdicale. Fvrier 2007.
[Bisault & Lavarde 95] : Bisault J., Lavarde, A. Le mmoire en IUFM : Thorie et
pratique, Beauvex cedex, CDDP Oise, 1995, 104 p, ISBN2903729700.
[Bouarab-Dahmani 00] : Bouarab-Dahmani F. Conception et valuation de la
composante experte du domaine dun systme intelligent pour lenseignement de

105

Bibliographie

lalgorithmique. Thse de Magister, soutenu le 29/02/2000 luniversit Mouloud


Mammeri de Tizi-Ouzou Option : Systme dinformation et de Gestion Avancs.
[Bouarab-Dahmani & Si Mohammed 05] : Bouarab-Dahmani F., Si-Mohammed M.
Characteristic based diagnosis in an intelligent tutoring system for algorithmic,
proceedings of the international conference on machine intelligence, the 2nd
ACIDCA-ICMI2005, Toseur, Tunisie, 5-7 Novembre 2005.
[Bouarab-Dahmani & Si Mohammed 07] : Bouarab-Dahmani F., Si-Mohammed M.
Evaluation automatise de lapprenant dans le cadre dun apprentissage par
lexercice, proceedings de la confrence nationale sur la pdagogie et la didactique
de la physique. UMMTO, Algerie les 29 et 30 juin 2007.
[Bouarab-Dahmani & al. 08a] : Bouarab-Dahmani F., Si-Mohammed M. &
Comparot C. Une ontologie gnrique oprationnalise XML pour la spcification de
domaines denseignement en e-learning, Article communiqu au colloque sur
loptimisation et les systmes dinformation COSI08, Tizi Ouzou , Mai 2008.
[Bouarab-Dahmani & al. 08b] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C.& Charrel. P. J. Evaluating the learners state of knowledge when he/she is
learning by doing, IADIS International Conference IADIS CELDA 2008, Freiburg,
Germany, October 13-15, 2008.
[Bouarab-Dahmani & al. 08c] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C. & Charrel P. J. Learners error diagnosis and learner marking approaches for elearning platforms, TELEARN International Conference 2008, Hanoi, Vietnam,
December 04-06, 2008.
[Dahmani & Si Mohammed 08d] : Bouarab-Dahmani F., Si-Mohammed M. Un
Mta-modle ontologique pour la reprsentation de domaines denseignement en elearning, international conference on Web and information technologies(
ICWIT2008), Sidi BelAbbes, Algeria, 29-30 June 2008.
[Bouarab-Dahmani & al. 09a] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C.& Charrel P. J. ODALA, an ontological model for automated evaluating of learner
knowledge: Application to Teaching of Algorithms, E-case-2009 (E-education
Track) International Conference, Singapour, Janvier 08-10, 2009. Article class
distingu avec un certificat du comit de la confrence.
[Bouarab-Dahmani & al. 09b] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C. & Charrel P. J. Learners automated evaluation with the ODALA approach, ACMSAC2009 (Human Computer Interaction Track) International Conference, Honolulu,
Hawaii, USA, March 08-12, 2009.
[Bouarab-Dahmani & al. 09c] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C. & Charrel P. J. ODALA, An Ontological Model for an Automated Evaluation of
Learners State of Knowledge: Application to a Web based Algorithmic Teaching.
International Journal of Business and Information, International Business Academics
Consortium (IBAC), Vol. 4 N. 1, p. 1-22, juin 2009.

106

Bibliographie

[Bouarab-Dahmani & al. 10a] : Bouarab-Dahmani F., Si-Mohammed M., Comparot


C. & Charrel P. J. Teaching domain representation and learners evaluation in a
platform for relational databases e-learning, E-case & Tech 2010 (E-education
Track), International Conference, Macau (Chine), Janvier25-27, 2010.
[Bouarab-Dahmani & al. 10b] : Bouarab-Dahmani F., Si-Mohammed M., Comparot
C. & Charrel P. J. Automated Evaluation of Learners with the ODALA Approach:
Application to Relational Databases E-learning, International journal of
computational intelligence systems, IJCIS, Vol.3, N. 3, (September 2010), 357-369,
published by Atlantis press.
[Bourdeau & Mizoguchi 02] : Bourdeau J. et Mizoguchi R. (2002). Collaborative
Ontological Engineering of Instructional Design Knowledge for an ITS Authoring
Environment. In Cerri S. & Gouardres G. & Paraguau F. (Eds.), Intelligent
Tutoring Systems, Springer, Heidelberg, 399-409.
[Bouzeghoub & al. 05] : Bouzeghoub A., Defude B., Duitama J.F., Lecocq C. Un
modle de description smantique de ressources pdagogiques base sur une
ontologie de domaine, Revue Sticef, volume 12, 2005.
[Brown et al. 75] : Brown J., Rubinstein R., Burton R. Steps towards a theoretical
foundation for complex knowledge-based CAI , BBN report 3135, ICAI report 2,
Bolt Beranek and Newman Inc., Cambridge, Massachusetts, 1975.
[Brown & Burton, 78] : Burton R., Brown J-S. Diagnostic Models for procedural
bugs in basic mathematical skills, Cognitive Science, Volume 2, pages 155-192,
1978.
[Bruillard 97] : Bruillard E. (1997). Les machines enseigner. Herms.
[Carl 2007] : Rogers C. Libert pour apprendre, Page 39-40, Edition Dunod.
[Charnay 86] : Charnay R. L'erreur dans l'enseignement des mathmatiques. INRP.
Rencontres pdagogiques, 12, p. 9-32. (1986).
[Charp & al. 02] : Charpille J. L., Couniliufm E. Mettre distance la formation,
publication de lAcadmie de Nancy-Metz de dcembre 2001, mise en ligne dAvril
2002.
[Davis 84] : Davis R.B. Learning Mathematics: The Cognitive Science Approach to
Mathematics Education. London, Croom-Helm. 1984.
[Desprs & Leroux 97] : Desprs C., Leroux P. Raisonner sur la trace : Analyse de
sessions avec l'application ROBOTEACH, Actes des 5mes journes EIAO de
Cachan, Herms, pp. 277-288, 1997.
[Desmoulins & Grandbastien 02] : Desmoulins C., Grandbastien M. (2002).
Ontologies pour la conception de manuels de formation partir de documents
techniques. STE, 9 (3-4), 291-340.

107

Bibliographie

[Ellis 07] : Ellis H. J.C. An Assessment of a Self-Directed Learning Approach in a


Graduate Web Application Design and Development Course, IEEE Tansactions on
education, Vol. 50, N 1, February 2007.
[Fernandez & al. 97] : Fernandez M., Gmez-Prez A. & Juristo N. (1997).
Methontology : from ontological towards ontological engineering. In Spring
Symposium Series on Ontological Engineering, Nation Conference of the American
Association on Artificial Intelligence (AAAI).
[Fernandez & al 04] : Fresno-Fernandez V., Montalvo-Herranz S., Perz-Iglesias J.,
Urquiza-Fuentes J., Velazquez-Iturbide J.A. An approach to the use and automatic
generation of web-based learning materials, W. Liu & al. edition, ICWL 2004,
LNCS 3143, pp. 201-208, 2004
[Fontaine & al. 06] : Fontaine D., Benayache A., Abel M.E. Laccs aux ressources
dune formation guid par les ontologies, International Journal of Technologies in
Higher Education, 3(3), 2006. www.profetic.org.
[Goguadze, 09] : Goguadze G. Semantic evaluation services for Web-based
exercises, ICWL 2009, LNCS 5686, pp 172-181, M. Spaniol & al (Eds), SpringerVerlag, Berlin Heidelberg, 2009.
[Goldstein & Miller 76] : Goldstein I., Miller M. Structured planning and
debugging : a linguistic theory of design, Artificial intelligence Lab Memo 387,
Massachusetts Institute of technology, Cambridge, Massachusetts, 1976.
[Gmez-Prez 99a] : Gmez-Prez A. (1999a). Tutorial on Ontological Engineering.
Paper presented at the Proc. IJCAI99.
[Gmez-Prez 99b] : Gmez-Prez A. (1999). Ontological Engineering: A state of
the art. Expert Update, 2(3), 33-43.
[Gmez-Prez 00] : Gmez-Prez A. (2000). Ontological Ingineering: A state of the
art. Madrid: Facultad de Informatica, Universidad Politecnica de Madrid.
[Grandbastien 02 ] : Grandbastien M., interview dans lASTI (Association franaise
des Sciences et Technologies de lInformation ), N 79 DU 17 Juin 2002.
[Gruber 93] : Gruber T. (1993). A Translation Approach to Portable Ontology
Specifications. Knowledge Acquisition, 5(2), 199-220.
[Guarino & al. 94b] : Guarino N., Carrara M. & Giaretta P. (1994). Formalizing
ontological commitments. In National Conference of the American Association on
Artificial Intelligence (AAAI), p. 560567.
[Guarino & Giaretta 95] : Guarino N. et Giaretta P. (1995). Ontologies and
Knowledge Bases: Towards a Terminological Clarification. In Mars N. J. I. (Ed.),
Towards Very Large Knowledge Bases: Knowledge Building and Knowledge
Sharing, Amsterdam: IOS Press, 25-32.

108

Bibliographie

[Guarino 97a] : Guarino N. (1997a). Some organizing principles for a unified toplevel ontology. AAAI Spring.
[Guarino 97b] : Guarino N. (1997b). Understanding, building and using ontologies.
International J. Human-Computer Studies, 46, 293-310.
[Hadji 97] : Hadji C. Lvaluation dmystifie, ESF, Paris, 1997
[Hatzily & Prentzas 04] : Hatzilygeroudis I., Prentzas J. Knowledge representation
requirements for intelligent tutoring systems, Proceedings of the 7th international
conference, ITS 2004, Brazil 2004.
[Hayashi & al. 99] : Hayashi Y., Jin L., Seta K., Ikeda M. et Mizoguchi R. (1999). A
Multiple View Authoring Tool for Modeling Training Materials (AI Technical
Report 99-05). Osaka: Osaka University.
[Horacek et Wolska 06] : Horacek H., Wolska M. Handling errors in mathematical
formulas, in ITS 2006, LNCS 4053, PP 339-348, 2006.
[Inaba & al. 00] : Inaba A., Supnithi T., Ikeda M., Mizoguchi R. et Toyoda J. (2000).
An Overview of Learning Goal Ontology. Proc. of ECAI2000 Workshop on Analysis
and Modelling of CollaborativeLearning Interactions, 23-30.
[Jarraud & La Passardire 04] : Jarraud P., De La Passardire B. Un profil
dapplication du LOM pour Campus Sciences, Revue STICEF, Volume 11, 2004.
[Jean 00] : Jean S. Ppite, un systme dassistance au diagnostic des comptences ,
thse de doctorat de lUniversit du Maine, 2000
[Jin & al. 99] : Jin L., Chen W., Hayashi Y., Ikeda M., Mizoguchi R., Takaoka Y. et
Ohta M. (1999). An Ontology-Aware Authoring Tool Functional structure and
guidance generation. Paper presented at the AIED1999, Le Mans, France.
[Johnson 86] : Johnson W. L. Intention-Based Diagnosis of Novice Programming
Errors , Morgan Kaufmann Publishers, Los Altos, 1986.
[Kabel & al. 99] : Kabel S.C., Wielinga B.J., DE Hoog R. Ontologies for indexing
Technical Manuals for Instruction. Workshop on Ontologies for Intelligent
Educational Systems, Ninth International Conference on Artificial Intelligence in
Education, AIED'99, Le Mans, France, July 19-23, 1999.
[Kassel & al. 00].: Kassel G., Abel M., Barry C., Boulitreau P., Irastorza C., Perpette
S., Construction et exploitation dune ontologie pour la gestion des connaissances
dune quipe de recherche, in Actes des journes francophones dIngnierie des
Connaissances (IC2000), 2000.
[Labat 02] : Labat J. M. EIAH : Quel retour dinformation pour le tuteur, Confrence
TICE, 2002, P. 81-87, Novembre 2002.

109

Bibliographie

[Liu & al. 04] : Liu Q., Yang Z., Yan K., Wu D. Reusable Learning Object and its
strategies for e-learning, W. Liu & al. edition, ICWL 2004, LNCS 3143, pp. 386392, 2004.
[Lhaire & Faltin 03] : Haire S., Faltin A. V. Diagnostic dErreurs dans le Projet
FreeText ", Alsic journal, volume 6, N2, Dcembre, 2003, pp. 21-37.
[Michel & Rouissi 03] : Michel C., Rouissi S. E-learning : normes et spcifications,
Etude des spcifications LOM et IMS-QTI caractrisant des documents interchangeables et rutilisables pour lacquisition et lvaluation des connaissances ,
dans la revue Document numrique, 2003
[Maedche 02] : Maedche A. (2002). Ontology Learning for the Semantic Web.
Boston: Kluwer Academic Publishers.
[Miller 88] : Miller G.A. Nouns in WordNet, In WordNet, An Electronic Lexical
Database C. Fellbaum (Ed), pp 23-46, MIT Press, 1988.
[Mizoguchi & Ikeda 97] : Mizoguchi R. and Ikeda M. Towards ontology
engineering. In Proceedings of the Joint Pacific Asian Conference on Expert
Systems, 1997.
[Mizoguchi 98] : Mizoguchi R. : A Step Towards Ontological Engineering. Paper
presented at the 12th National Conference on AI of JSAI, June, 1998.
[Mizoguchi & al.00] : Mizoguchi R., Kozaki K., Sano T. et Kitamura Y. (2000).
Construction and Deployment of a Plant Ontology. The 12th International
Conference, EKAW2000, (Lecture Notes in Artificial Intelligence 1937), 113-128.
[Nkambou & al. 03] : Nkambou R. Frasson C. et Gauthier G. (2003). CREAMTools: An Authoring Environment for Knowledge Engineering in Intelligent
Tutoring Systems. In Murray T. Blessing S. & Ainsworth S. (Ed.), Authoring Tools
for Advanced Technology Learning Environments: Toward cost-effective adaptive,
interactive, and intelligent educational software, Kluwer Academic Publishers.
[Nicaud & al.06]: Nicaud J.F., Chaachoua H., Bittar M. Automatic calculation of
students conceptions in elementary algebra from aplusix log files, in ITS 2006,
LNCS 4053, PP 433-442, 2006.
[ONeil 01] : ONeil M. What is E-learning, Home Magazine, May 2001.
[Oravep 00] : ORAVEP. Etude comparative technique et pdagogique des
plateformes pour la formation distance , www.oravep.asso.fr , 2000.
[Paquette 02] : Paquette, G. (2002). L'ingnierie pdagogique pour construire
l'apprentissage en rseau. Qubec, Presses de l'Universit du Qubec.

110

Bibliographie

[Paquette & Tchounikine 02] : Paquette G. et Tchounikine P. (2002). Contribution


l'ingnierie des systmes conseillers : une approche mthodologique fonde sur
l'analyse du modle de la tche. STE, 9/2002(3-4), 409-435.
[Paquette & al. 03)] : Paquette G., Bourdeau J., Henri F., Basque J., Lonard M. et
Maina M. (2003). Construction d'une base de connaissances et dune banque de
ressources pour le domaine du tlapprentissage, Revue STICEF, Volume 10, 2003,
mis en ligne le 15-11-2003, http://sticef.org,
[Py 01] : Py, D. Environnements interactifs dapprentissage et dmonstration en
gomtrie. Habilitation diriger des recherches prsente lUniversit de Rennes 1,
Institut de Formation Suprieure en Informatique et en Communication.
[Psych & Al. 03] : Psych V, O. Mendes & Bourdeau J. (2003). Apport de
lingnierie ontologique aux environnements de formation distance, Revue
STICEF, vol. 10, 2003.
[Ruth 73] : Ruth G. Analysis of algorithm implementations, Technical report MIT
project MAC TR 130, Massachusetts Institute of technology, 1973.
[Saleh & Bouyahi 04] : Saleh I., Bouyahi S. Enseignement ouvert et distance :
pistmologie et usages, chapitre 5, Edition Lavoisier, 2004.
[Sampson & al. 02] : Sampson D., Karagiannidis C. & Cardinali F. An architecture
for Web-based e-learning promoting reusable adaptive education, Educational
Technology & Society 5 (4) 202, ISSN 1436-4522.
[Semeteys 06] : Semeteys A. Formation distance : La norme SCORM2004. Extrait
dun ouvrage des Editions EducaWeb, 2006.
[Sleeman & Smith 81] : Sleeman D., Smith M. Modelling students problem solving,
Artificial Intelligence, (16), 171-187, 1981.
[Smrz 2004] : Smrz, P. Integrating ontologies into learning management systems A
case of Czech., OTM workshop 2004, LNCS 3292, pp. 768-772, springer-verlag.
[Snae & Brueckner 07] : Snae, C., Brueckner, M. Ontology-driven e-learning system
based on roles and activities for Thai learning environment., Interdisciplinary Journal
of Knowledge and learning objects, volume 3, 2007.
[Sowa 95a] : Sowa J. (1995a). Distinction, combination, and constraints. Proc.
IJCAI95 Workshop on Basic Ontological Issues in Knowledge Sharing.
[Sowa 95b] : Sowa J. (1995b). Top-level ontological categories. International Journal
of Human and Computer Studies, 43, 669-685.
[Staab & Maedche 00] : Staab S. & Maedche A. Axioms are objects too: Ontology
engineering beyong the modeling of concepts and relations. Research report 399,
Institute AIFB, Karlsruhe, 2000.

111

Bibliographie

[Suraweera & al. 04] : Suraweera P., Mitrovic A., Martin B., The role of domain
ontology in knowledge acquisition for ITSs, Proceedings of the 7th international
conference, ITS 2004, Brazil 2004.
[Tchtagni & Nkambou 02] : Tchtagni J . M. P., Nkambou R. Hierarchical
representation and evaluation of the student in an intelligent tutoring system, ITS
2002, LNCS 2363, pp 708-717.
[Tchounikine 09] : Tchounikine P. Prcis de recherche en ingnierie des EIAH,
Version Juin 2009, en ligne sur le Web.
[Uschold & Grninger 96] : Uschold M. et Grninger M. (1996). Ontologies:
Principles, Methods and Applications. Knowledge Engineering Review, 11(2).
[Van Heijst & al. 97] : Van Heijst G., Schreiber A. et Wielinga B. J. (1997). Using
Explicit Ontologies in KBS Development. International Journal of Human and
Computer Studies /Knowledge Acquisition, 46(2/3), 183-292.
[Wenger 87] : Wenger E. Artificial Intelligence and Tutoring Systems,
Computational and Cognitive Approaches to the Communication of Knowledge,
Morgan Kaufmann Publishers Inc., Los Altos, 1987.
[Westbrook 93] : Westbrook R. B. John Dewey (1859-1952). Revue trimestrielle
dducation compare (Paris, UNESCO : Bureau international dducation), vol.
XXIII, n 1-2, 1993, p. 27793.
[Xuan & al. 04] : Xuan W., Li Z., Frang Y. An implementation of learning objects
management system, W. Liu & al. edition, ICWL 2004, LNCS 3143, pp. 393-399,
2004.

112

Annexes

Annexes
Annexe A : Pseudo Langage Algorithmique Utilis dans WebSiela
Cette annexe prsente la grammaire danalyse lexico-syntaxique de WebSiela qui est
une extension de celle donne dans [Bouarab-Dahmani 2000]. Ces extensions sont
mentionnes en gras.
La grammaire G du langage est dfinie par un quadrupl : G (algo, Vn, Vt , P) o algo
est laxiome de la grammaire, Vn lensemble des symboles non terminaux, Vt
lensemble des symboles terminaux et P lensemble des productions que nous
prsentons dans ce qui suit:
<algo>
fin

algorithme espace <ident> ; <declaration> debut <corp>

<declaration>

<decl_const> <decl_var> |

<decl_const>
<const>
<val>

<identif> ; <decl_const> |
<identif> = <val>
<caractere> | <nombre> | <const_log>

<decl_var>
<var>
<dvar>

<var><decl_var> |
<dvar> :<typedonnee>
<identif> , <dvar> | <identif>

<typedonnee>
< tableau>
<typesimple>

<typesimple> | < tableau>


tableau [ 1 . .<valfinale>] de <typesimple>
entier | <caractere> | reel | booleen

<corps>

<inst> ;<corps> |

<inst>

<expression> | <inst-choix> | <inst-boucle> | <inst- e/s>

<expression>
<valaffect>
<exp>
<e1>
<e2>
<e3>
<suit_ident>
<opcomp>
<opadd>
<opmult>
<const-log>

<identif><suit_ident> := <valaffect>
<exp> | <caractere>
<e1><opcomp><exp> {A1} | <e1>
<e2><opadd><e1> {A3} | <e2>
<e3><opmult><e2> {A3} | <e3>
<identif> <suit_ident> | <exp> | <nombre> | <const_log> |
[<indice> ] |
< | > | <= | = | <>
+ | - | |
* | / | &
vrai | faux

113

Annexes

<inst-choix>
<Suite-si>
<bloc>
<binst>

si <exp> alors <bloc> <suite-si> fsi


sinon<bloc> |
<binst> ; <bloc> | <boucle> | <inst-choix> |
<expression> | <inst- e/s>

<inst-boucle>

<boucle> faire <bloc> fait

<boucle>
<btantque>
<bpour>
<valfinale>

<btantque> | <bpour>
<tantque <exp>
pour <identif> allantde <valinitiale> jusqua

<suitepour>

<suitepour>
pas <valpas>

<inst- e/s>

<lecture> | <ecriture>

<lecture>
<bloces>

lire (<bloces> )
<identif><suit_ident><bles>

<ecriture>
<bles>
<ecriture>
<blocecrit>

ecrire (<blocecrit> )
,<bloces> |
ecrire (<blocecrit> )
<message> | <bloces>

<message> : ensemble de caractres quelconques diffrents de et de ).


<identif> : identificateur.
<nombre> : nombre entier ou reel non sign.
<caractere> : caractre alphabtique minuscule ou majuscule.
<valfinale>, <valinitiale> et <valpas> : sont des nombres entiers.

114

Annexes

Annexe B1 : Liste des Erreurs Lexico-Syntaxiques et Smantiques dans


Websiela
Le tableau B suivant donne un extrait de la base derreurs de WebSiela avec indication
du numro de litem de connaissance auquel lerreur est relie ainsi que le type de
lerreur (lexico-syntaxique, smantique commune ou smantique spcifique).
Num
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

Intitul erreur
Premier mot de lalgorithme diffrent du mot cl algorithme
Sparateur incorrect aprs le premier mot de l en-tte
Identificateur de lalgorithme introuvable ou incorrect
Point virgule introuvable aprs la dclaration de l entte
Mot cl Const. inexistant avant dclaration de constante
Constante introuvable aprs le symbole =
Identificateur de constante mal crit : mot invalide ou incorrect
Symbole = inexistant aprs un identificateur de constante
Caractre spcial illgal dans la partie dclaration de constantes
Anticipation dans une dclaration de variables
Identificateur de variable introuvable ou mal crit aprs une virgule
Mot cl indiquant un type de donne de variable introuvable aprs :
Caractre spcial illgal dans une dclaration de variables
Identificateur de variable invalide ou inexistant
Mot cl var inexistant avant dclaration de variables
Marque de dbut d'algorithme introuvable
Marque de fin d'algorithme introuvable
Ecriture aprs la marque de fin d algorithme
Mot incorrecte ou invalide aprs l'en-tte : Const, Var ou Debut
recherch
Sparateur incorrect aprs l en-tte
Point virgule introuvable en fin d instruction
Symbole : non autoris seul dans une instruction du corps
Mot cl non autoris en dbut d instruction
Constante non autorise en dbut d instruction
Mot invalide en dbut d instruction
Affectation mal crite : espace entre : et =
Affectation mal crite : : ou = introuvable
Expression errone affecte un identificateur
Affectation mal crite : = et = inverss
Symbole := introuvable aprs un identificateur dans le corps
Partie gauche d une affectation errone
) d une expression inexistante
Utilisation d un mot cl ou constante comme identificateur dans une
expression
( oublie ou ) en plus dans une expression
Caractre spcial illgal dans une expression
Le mot cl SI inexistant ou mal crit
Sparateur incorrect aprs le mot cl SI
Le mot cl FSI introuvable
Le mot cl ALORS introuvable

Item
IC
1
1
1
1
2
2
2
2
2
3
3
3
3
3
3
4
4
4
5

Type
erreur
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn

5
6
6
6
6
6
24
24
7
24
7
7
8
8

lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn

8
8
9
9
9
9

lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn

Toutes les erreurs crites en gras ont t ajoutes par rapport au systme SIELA [Bouarab-Dahmani,
00].

115

Annexes
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81

Expression errone ou inexistante aprs le mot cl SI


Mot invalide aprs le mot cl SI
Sparateur incorrect aprs le mot cl TANTQUE
Le mot cl FAIT introuvable
Mot cl FAIRE introuvable : inexistant ou mal crit
Mot invalide aprs expression dans une instruction de boucle
Expression errone aprs le mot cl TANTQUE
Mot invalide aprs le mot cl TANTQUE
Le mot cl TANTQUE inexistant ou mal crit dans une boucle
) inexistant dans une instruction d E/S
(inexistant dans une instruction d E/S
Mot non autoris ou invalide dans une instruction de lecture
Cte de fin de message introuvable
Mot cl non autoris en dbut d instruction de bloc
Mot trop long
Mot non autoris ou introuvable dans une instruction d'criture de
variable
Sparateur incorrect aprs le mot cl pour
Mot cl FAIT d une boucle POUR introuvable
Mot cl FAIRE d une boucle POUR introuvable
Identificateur du compteur ditration introuvable aprs le mot cl
POUR
Mot cl AllantDE d une boucle POUR introuvable : invalide ou
inexistant
La valeur initiale de compteur ditration d une boucle POUR
introuvable
La valeur initiale du compteur ditration d une boucle POUR doit
tre un entier et non un rel
Mot cl JUSQUA d une boucle POUR introuvable : invalide ou
inexistant
La valeur finale du compteur ditration d une boucle POUR
introuvable
La valeur finale du compteur ditration d une boucle POUR doit
tre entier et non un rel
Mot invalide aprs la valeur finale du compteur d itration
Mot cl incorrect aprs la valeur finale du compteur d itration de
POUR
Mot invalide ou incorrect aprs le mot cl PAS d une boucle POUR
Le pas itration d une boucle POUR doit tre entier et non un rel
Dclaration de constantes introuvable alors quelle est prvue par
lexo
Dclaration de variables introuvable alors quelle est prvue par l
exo
Instruction daffectation introuvable alors quelle est prvue par l
exo
Instruction conditionnelle introuvable alors qu elle est prvue par l
exo
Boucle TANTQUE introuvable alors qu elle est prvue par l exo
Boucle POUR introuvable alors qu elle est prvue par l exo
Lecture de donnes introuvable alors quelle est prvue par l exo
Ecriture de donnes introuvable alors quelle est prvue par l exo
Ecriture de messages introuvable alors quelle est prvue par l exo
Dclaration de constante trouve alors quelle n est pas prvue par l
exo
Dclaration de variables trouve alors quelle n est pas prvue par l
exo
Instruction d affectation trouve alors quelle n est pas prvue par l
exo

9
9
10
10
10
10
10
10
10
11
11
12
13
14
15
29

lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn

26
26
26
28

lex_syn
lex_syn
lex_syn
lex_syn

27

lex_syn

28

lex_syn

28

lex_syn

27

lex_syn

28

lex_syn

28

lex_syn

27
27

lex_syn
lex_syn

27
27
2

lex_syn
lex_syn
sem_spe

sem_spe

25

sem_spe

sem_spe

10
26
12
29
13
2

sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe

sem_spe

25

sem_spe

116

Annexes
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119

Instruction conditionnelle trouve alors quelle nest pas prvue par


l exo
Boucle TANTQUE trouve alors quelle nest pas prvue par l exo
Boucle POUR trouve alors quelle nest pas prvue par l exo
Lecture de donnes trouve alors qu'elle n'est pas prvue par l'exo
Ecriture de donnes trouve alors qu'elle n'est pas prvue par l'exo
Ecriture de messages trouve alors qu'elle n'est pas prvue par l'exo
Dclaration de variables entires introuvable alors qu'elle est prvue
par l'exo
Dclaration de variables relles introuvable alors qu'elle est prvue
par l'exo
Dclaration de variables caractres introuvable alors qu'elle est
prvue par l'exo
Dclaration de variables boolennes introuvable alors qu'elle est
prvue par l'exo
Dclaration de variables entires trouves alors qu'elle nest pas
prvue par l'exo
Dclaration de variables relles trouves alors qu'elle nest prvue
par l'exo
Dclaration de variables caractres trouves alors qu'elle nest pas
prvue par l'exo
Dclaration de variables boolennes trouves alors qu'elle nest pas
prvue par l'exo
Dclaration de constantes entires introuvables alors qu'elle est
prvue par l'exo
Dclaration de constantes relles introuvables alors qu'elle est
prvue par l'exo
Dclaration de constantes boolennes introuvables alors qu'elle est
prvue par l'exo
Dclaration de constantes caractres introuvables alors qu'elle est
prvue par l'exo
Dclaration de constantes entires trouves alors qu'elle nest pas
prvue par l'exo
Dclaration de constantes relles trouves alors qu'elle nest pas
prvue par l'exo
Dclaration de constantes boolennes trouves alors qu'elle nest
prvue par l'exo
Dclaration de constante caractre trouve alors qu'elle nest pas
prvue par l'exo
Type des oprandes diffrents ou incompatibles dans une
expression de comparaison
Type des oprandes incompatibles avec l'oprateur d'adition
Type des oprandes incompatibles avec l'oprateur de disjonction '|'
Type des oprandes incompatibles avec l'oprateur de multiplication
Type des oprandes incompatibles avec l'oprateur de conjonction
'&'
Type de l'expression d'un teste erron : type logique recherch
Type de l'expression d'une boucle 'TANTQUE' erron : type logique
recherch
Double dclaration d'un identificateur de constante ou de variable
Identificateur de constante ou de variable non dclar
Type de l'identificateur diffrent du type de l'expression qui lui est
affecte
Identificateur de constante ou de variable dclar et non utilis
"[" introuvable dans une dclaration de tableau
"]" inexistant dans une dclaration de tableau
Sparateur incorrect dans une dclaration de tableau
Type des lments du tableau introuvable ou mal crit
Le mot cl "de" inexistant ou mal crit

sem_spe

10
26
12
29
13
19

sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe

20

sem_spe

21

sem_spe

22

sem_spe

19

sem_spe

20

sem_spe

21

sem_spe

22

sem_spe

16

sem_spe

16

sem_spe

17

sem_spe

18

sem_spe

16

sem_spe

16

sem_spe

17

sem_spe

18

sem_spe

sem_com

8
8
8
8

sem_com
sem_com
sem_com
sem_com

9
10

sem_com
sem_com

23
23
25

sem_com
sem_com
sem_com

23
34
34
34
34
34

sem_com
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn

117

Annexes
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
146
148
147
145
149
150
151
152
153
154
156
155
157
158
159
160
161

la borne suprieure de dclaration de tableau doit tre un entier


la borne infrieure de dclaration de tableau doit tre "1"
"[" introuvable aprs un identificateur de tableau dans une
instruction
L'indice du tableau est introuvable ou mal crit.
"]" introuvable dans une instruction utilisant un tableau
La variable utilise avant le "[" n'est pas de type tableau
Absence du compteur d'incrmentation de la boucle "tant que"
Une variable est utilise dans une instruction sans tre initialise
Dclaration de tableau introuvable alors qu'elle est prvue pour
l'exo
Dclaration de la variable tableau trouve alors qu'elle n'est pas
prvue par l'exo
Dclaration de tableau d'entiers prvue et non trouve dans
l'exo
Dclaration de tableau de rels introuvable et prvue par l'exo
Dclaration de tableau de boolens introuvable et prvue par
l'exo
Dclaration de tableau de caractre introuvable et prvue par
l'exo
Dclaration de tableau d'entiers trouve et non prvue par l'exo
Dclaration de tableau de rels trouve et non prvue par l'exo
Dclaration de tableau de boolens trouve et non prvue par
l'exo
Dclaration de tableau de caractres trouve et non prvue par
l'exo
"[" introuvable aprs un identificateur de tableau ou "]" en
plus
Ecriture incorrecte entre le mot "tableau" et "[" dans la
dclaration
un mot cl ne peut pas tre un indice du tableau
un boolen ne peut pas tre un indice du tableau
Une constante caractre ne peut pas tre un indice du tableau
un nombre rel ne peut pas tre un indice du tableau
un identificateur de rel ne peut pas tre indice du tableau
Un identificateur de caractre ne peut pas tre un indice du
tableau
L'indice de contrle de la boucle "pour" est toujours un entier.
Un identificateur de tableau ne peut pas tre un indice de
tableau
un identificateur boolen ne peut pas tre un indice du tableau
Ecriture de variable non initialise
Non initialisation de la variable utilise dans la condition de la
boucle "tant que".
La lecture de constante n'est pas permise
Non initialisation de la variable utilise dans la condition de
"si".
Lecture de tableau trouve et non prvue par l'exo.
Ecriture des lments du tableau trouve et non prvue par
l'exo.
Lecture de tableau introuvable et prvue par l'exo.
Lecture de tableau introuvable et prvue par l'exo.
Initialisation de variables interdite dans le bloc de dclaration
Division par zro interdite dans un algorithme
"(" oublie ou ")" en plus dans la condition de la boucle
"tantque"
")" oublie ou "(" en plus dans la condition de la boucle
"tantque"
"(" oublie ou ")" en plus dans la condition de "si"

34
34
33

lex_syn
lex_syn
lex_syn

33
33
23
32
8
34

lex_syn
lex_syn
lex_syn
sem_spe
sem_com
sem_spe

34

sem_spe

37

sem_spe

38
39

sem_spe
sem_spe

40

sem_spe

37
38
39

sem_spe
sem_spe
sem_spe

40

sem_spe

23

lex_syn

34

lex_syn

33
33
33
33
33
33

lex_syn
lex_syn
lex_syn
lex_syn
sem_com
sem_com

26
33

sem_com
sem_com

33
29
31

sem_com
sem_com
sem_com

12
9

sem_com
sem_com

35
36

sem_spe

34
35
3
8
8

sem_spe
sem_spe
lex_syn
sem_com
lex_syn

lex_syn

lex_syn

118

Annexes
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184

")" oublie ou "(" en plus dans la condition de "si"


Lecture incorrecte smantiquement avant la fin de l'algorithme
Division sur une variable initialise zro interdite dans un
algorithme
Division sur une constante nulle interdite dans un algorithme
Bloc de la boucle "pour" ne doit pas tre vide
Affectation une constante est interdite dans un algorithme
Incrmentation interdite de lindice de la boucle "pour" dans
son bloc
Mot cl non autoris avant l'criture de "debut"
Mot cl non autoris dans le corps de l'algorithme
La constante utilise dans la dclaration de tableau n'est pas de
type entier
Constante non dfinie dans la dclaration de tableau
L'identificateur de la valeur finale du compteur d'itration de la
boucle "pour" doit tre un entier
Identificateur de tableau erron ou '[' inattendu aprs une
variable ou constante
La variable utilise dans l'criture de tableau n'est pas l'indice
de la boucle
Opration de multiplication prvue et non trouve dans l'exo.
Opration de multiplication trouve et non prvue dans l'exo.
Opration de division prvue et non trouve dans l'exo.
Opration de division trouve et non prvue dans l'exo.
Opration d'addition prvue et non trouve dans l'exo.
Opration d'addition trouve et non prvue dans l'exo.
Opration de soustraction prvue et non trouve dans l'exo.
Opration de soustraction trouve et non prvue dans l'exo.
Une variable est utilise dans le corps sans tre lue

8
14
8

lex_syn
sem_com
sem_com

8
26
25
26

sem_com
lex_syn
sem_com
sem_com

5
5
34

lex_syn
lex_syn
sem_com

34
26

sem_com
sem_com

23

sem_com

36

sem_com

8
8
8
8
8
8
8
8
29

sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe

Tableau B- Erreurs Potentielles Considres Dans WebSiela

119

Annexes

Annexe C : Pseudo Langage Algbrique Utilis dans Rdb-E-Learn


Description du langage algbrique utilis pour le cas des rponses libres des requtes
en BDDR avec le systme RDB-E-LEARN.

1. Les entits lexicales


a. Les mots cls
SELECTION
UNION
DIF
RDCARTESIEN
INTER
JOINSEMI
AUTOJOIN
NATJOIN
THETAPRODUCT
COMP
PROJ
EXTJOIN

: la slection ou restriction
: lunion
: la diffrence
: le produit cartsien
: lintersection
: la semi jointure
: lauto jointure
: la jointure naturelle
: le thta produit
: le complment
: la projection
: la jointure externe

b. Les identificateurs
Un identificateur est une suite de caractres alphanumrique qui commence
obligatoirement par une lettre ([az] ou [AZ]) et qui doit tre diffrent des mots
cls du langage algbrique retenu.
c. Les oprateurs
Les oprateurs arithmtiques : +, x, /, Les oprateurs de comparaison <, >, <=, >=, <>, =
Les oprateurs logiques :
Le AND logique est reprsent par &&
Le OU logique est reprsent par ||
Loprateur daffectation := est utilis pour affecter une opration algbrique
une relation intermdiaire.
d. Les sparateurs

La parenthse ( : elle dlimite les identificateurs utiliss par le mot cl qui les
prcde
La parenthse ) : elle dlimite les identificateurs utiliss par le mot cl qui les
prcde
La virgule , : sparatrice entre les identificateurs
Le | : spare un identificateur de relation et la condition, ou bien un
identificateur de relation et la liste dattributs sur les quels et faite la projection

e. Les constantes
Constante numrique : relle ou entire, constante caractre ou boolene.
120

Annexes

2. Les entits syntaxiques


La structure gnrale de la rponse apprenant en expression algbrique est comme suit :
<Identificateur := mot cl (nom de relation1 [,nomrelation2][|condition][liste
attributs]) ;>+
Remarques :
le contenu entre crochets est facultatif
()+ signifie que le contenu entre parenthses doit apparaitre au moins une fois.
La colonne langage algbrique du tableau C suivant donne la syntaxe dune
opration algbrique pour chaque mot cl de notre pseudo langage

Le tableau rcapitulatif suivant prsente une synthse des oprateurs algbriques utiliss
dans RDB-E-LEARN avec le formalisme des arbres algbriques, oprateur algbrique
et clause SQL.

Type
Operateur

Oprateur

Expression

Algbrique

algbrique

Symbole

Reprsentation

En SQL

graphique

propose
Union

rsultat := UNION

SELECT < attribut>+ /

(R1, R2)

* FROM R1 UNION
SELECT < attribut>+ /
*

diffrence

rsultat:=

FROM R2 ;

SELECT < attribut>+ /

DIF

(R1, R2)

FROM R1
MINUS
SELECT < attribut>+ /
*
FROM R2 ;

intersectio

rsultat:= INTER

(R1, R2)

SELECT < attribut>+ /

rsultat

*
FROM R1
INTERSECT

SELECT < attribut>+ /

R1

R2

*
FROM R2 ;

121

Annexes
elle

pas

rsultat :=

extrieure

JOIN (R1,

implante dans la plus

R2|condition)

part

Op _binaire

EXT-

nest

Jointure

des

SGBD

relationnels

Semijointure

SELECT

rsultat:=
SEMIJOIN

<
+,

attribuR1>

(R1,

<attribuR2>+

R2|condition)

FROM R1,R2
WHERE <condition> ;

Jointure

rsultat:=

SELECT attribu1R1

naturelle

NATJOIN (R1,

FROM R1

R2|condition)

WHERE attribuR2 IN
(SELECT attribuR2
FROM R2 WHERE
<condition>) ;
Consiste en un produit

Thta-

rsultat:=

produit

THETAPRODUCT

cartsien suivi dune

(R1,R2|condition)

slection

rsultat

SELECT

<

attribuR1>+,

R2

R2

<attribuR2>+
FROM

R1,R2

WHERE

attributR1=

attribuR2;
Select *

rsultat
Produit

rsultat:=

cartsien

PRODUCT

From R1, R2;

(R1,R2)

x
R1

Op_
Unaire

Slection
ou
restriction

rsultat:=

R2

rsultat

Select

[distinct]

<

attribut> / *

SELECTION
(R1|condition)

Condition

From R1
Where <condition> ;

R1
Complm

Rsultat :=

ent

COMP(R1)

rsultat

Sobtient

par

une

combinaison

doprateurs
relationnels

R1

122

Annexes
Projection

rsultat:=

PROJ

(R1|X1 X2 ..Xn)

Select

[distinct]

<

attribut>

From R1 ;

AUTO

Rsultat: =

SELECT Y.attribut

JOINTUR

AUTOJOIN

FROM R1Y,R1

(R|condition)

WHERE <condition> ;

Tableau C. Rcapitulatif des oprateurs algbriques utiliss dans RDB-E-LEARN

123

Annexes

Annexe D : Liste des Erreurs Lexico-Syntaxiques et Smantiques dans


RDB-E-Learn
Le tableau D1 donne un extrait de la base derreurs lexico-syntaxique, le tableau D2
donne un extrait de la base derreurs smantiques communes et le tableau D3 donne un
extrait de la base derreurs smantiques spcifiques du systme RDB-E-LEARN.
Num-err

Libell de lerreur

Num
ItemC

Mot trop long

36

Point virgule manquant

37

Nombre rel erron (possdant un caractre diffrent de . et diffrent

36

dun chiffre)
4

Absence d un identificateur de relation au dbut de lopration algbrique

37

Absence de sparateur := avant loprateur algbrique

37

parenthse ouvrante manquante aprs l oprateur algbrique UNION

26

absence du premier identificateur de relation aprs la parenthse ouvrante

26

dans lopration algbrique UNION


8

manque du sparateur virgule entre deux identificateurs dans une opration

26

algbrique UNION
9

Absence du deuxime identificateur de relation aprs le sparateur virgule

26

dans une opration algbrique binaire UNION


10

parenthse fermante manquante dans l opration algbrique UNION

26

11

oprateur d''affectation mal crit manque de '=' aprs les deux points

37

12

parenthse ouvrante manquante aprs loprateur algbrique AUTOJOION

23

13

parenthse fermante manquante dans l opration algbrique AUTOJOIN

23

14

parenthse ouvrante manquante aprs loprateur algbrique SELECTION

20

15

absence de lidentificateur de relation aprs la parenthse ouvrante dans l

20

opration SELECTION
16

Manque de sparateur | entre l'identificateur de relation et la condition dans

20

la slection
17

parenthse fermante manquante dans lopration algbrique SELECTION

20

18

parenthse ouvrante manquante aprs loprateur algbrique projection

22

19

absence de lidentificateur de relation aprs la parenthse ouvrante dans l

22

opration de projection
20

Manque de sparateur | entre l identificateur de relation et la liste d

22

attributs dans la projection


21

parenthse fermante manquante dans l opration algbrique de projection

22

22

parenthse

30

ouvrante

manquante

aprs

oprateur

algbrique

THETAPRODUCT

124

Annexes
23

absence du premier identificateur de relation aprs la parenthse ouvrante

30

dans l opration de thta produit


24

manque du sparateur virgule entre deux identificateurs dans une opration

30

algbrique binaire de thta pro


25

Absence du deuxime identificateur de relation aprs le sparateur virgule

30

dans une opration algbrique de thta produit


26

Manque de sparateur |entre l'identificateur de relation et la condition

30

dans l'opration algbrique du thta produit


27

parenthse fermante manquante dans l opration algbrique de thta

30

produit
28

parenthse ouvrante manquante loprateur algbrique de diffrence DIF

28

29

absence du premier identificateur de relation aprs la parenthse ouvrante

28

dans l opration de diffrence


30

manque du sparateur virgule entre deux identificateurs dans une opration

28

algbrique binaire de diffrence


31

manque du deuxime identificateur de relation aprs la virgule dans

28

l'opration algbrique de diffrence


32

parenthse fermante manquante dans l opration algbrique de diffrence

28

33

parenthse ouvrante manquante aprs l oprateur algbrique d intersections

27

INTER
34

absence du premier identificateur de relation aprs la parenthse ouvrante

27

dans l opration algbrique de lintersection


35

manque du sparateur virgule entre deux identificateurs dans une opration

27

algbrique binaire de l intersection


36

Absence du deuxime identificateur de relation aprs le sparateur virgule

27

dans une opration algbrique binaire dintersection


37

parenthse fermante manquante dans l opration algbrique dintersection

27

38

parenthse ouvrante manquante aprs l oprateur algbrique de la jointure

32

extrieure
39

absence du premier identificateur de relation aprs la parenthse ouvrante

32

dans l opration de la jointure extrieure


40

manque du sparateur virgule entre deux identificateurs dans une opration

32

algbrique binaire de la jointure extrieure


41

Absence du deuxime identificateur de relation aprs le sparateur virgule

32

dans une opration algbrique binaire de la jointure extrieure


42

parenthse fermante manquante dans l opration algbrique de la jointure

32

extrieure
43

parenthse ouvrante manquante aprs l oprateur algbrique de semi

33

jointure

125

Annexes
44

absence du premier identificateur de relation aprs la parenthse ouvrante

33

dans l opration de semi jointure


45

manque du sparateur virgule entre deux identificateurs dans une opration

33

algbrique binaire de semi jointure


46

Absence du sparateur | entre l'identificateur de relation et la condition dans

33

l'opration de semi jointure


47

parenthse fermante manquante dans l opration algbrique de semi

33

jointure
48

Parenthse ouvrante manquante aprs l oprateur algbrique de jointure

31

naturelle
49

absence du premier identificateur de relation aprs la parenthse ouvrante

31

dans l opration algbrique de jointure naturelle


50

Manque du sparateur virgule entre deux identificateurs dans l opration

31

algbrique binaire de jointure naturelle


51

Absence du deuxime identificateur de relation aprs le sparateur

31

virgule dans l opration algbrique binaire de jointure naturelle


52

parenthse fermante manquante dans l opration algbrique de jointure

31

naturelle
53

parenthses ouvrante manquante aprs loprateur algbrique du produit

29

cartsien
54

absence du premier identificateur de relation aprs la parenthse ouvrante

29

lopration algbrique de produit cartsien


55

manque du sparateur virgule entre deux identificateurs dans une

29

opration algbrique binaire de produit cartsien


56

Absence du deuxime de relation aprs le sparateur virgule dans

29

lopration algbrique binaire de produit cartsien


57

parenthse fermante manquante dans l opration algbrique de produit

29

cartsien
58

parenthse ouvrante manquante aprs l oprateur algbrique du

21

complment COMP
59

absence de l'identificateur de relation aprs la parenthse ouvrante dans l

21

opration algbrique de complment


60

parenthse fermante manquante dans l opration algbrique de complment

21

61

manque de sparateur virgule entre les attributs dans une opration

22

algbrique de projection
62

manque d'un identificateur d'attributs dans une opration algbrique de

22

projection
63

Manque d un identificateur ou d une constante avant l oprateur (dans la

35

condition)

126

Annexes
64

manque d'un oprateur logique aprs le crochet fermant

20

65

manque d'un crochet ouvrant pour la condition contenant un oprateur

35

logique
66

manque dun crochet fermant pour la condition contenant un oprateur

35

logique
67

Manque d'oprateur dans l expression de la condition

35

68

absence du premier identificateur aprs la parenthse ouvrante dans l

23

opration algbrique de lauto jointure


69

Manque de sparateur "|"entre l'identificateur de relation et la condition

23

dans l'opration algbrique de l "auto jointure


70

Manque de sparateur "|" entre l identificateur de relation et la condition

32

dans lopration algbrique de la jointure extrieure


71

Manque de sparateur "|" entre l identificateur de relation et la condition

31

dans lopration algbrique de la jointure naturelle


72

Manque du deuxime identificateur de relation aprs le sparateur virgule

33

dans l'opration algbrique de la semi jointure


73

Absence d un oprateur algbrique dans lopration algbrique

37

74

manque d une parenthse ouvrante dans la condition

35

75

manque d une parenthse fermante dans la condition

35

76

Manque dun identificateur ou dune constante avant ou aprs l'operateur

35

arithmtique (dans la condition)


77

parenthse ouvrante ou crochet ouvrant introuvable alors quune condition

35

doit commencer par l un des deux


78

manque de la parenthse au dbut de l expression arithmtique

35

79

parenthse fermante manquante Aprs l oprateur de comparaison

35

80

manque de la parenthse fermante a la fin de l expression arithmtique

35

81

parenthse ouvrante manquante aprs l oprateur de comparaison

35

82

prsence d un seul identificateur entre les parenthses dans une opration

30

algbrique binaire de thta produit


83

prsence d un seul identificateur entre les parenthses dans une opration

32

algbrique binaire de la jointure extrieure


84

prsence d un seul identificateur entre les parenthses dans une opration

27

algbrique de l'intersection
85

prsence d un seul identificateur entre les parenthses dans une opration

28

algbrique binaire de diffrence


86

prsence d un seul identificateur entre les parenthses dans lopration

30

algbrique binaire de semi jointure


87

prsence d un seul identificateur entre les parenthses dans une opration

31

algbrique binaire de la jointure naturelle

127

Annexes
88

prsence d'un seul identificateur entre les parenthses dans une opration

26

algbrique binaire UNION


89

oprateur incomptable avec les deux oprandes (oprateur logique attendu)

35

90

operateur incompatible avec les deux oprandes (oprateur de comparaison

35

attendu)
91

operateur incompatible avec les deux oprandes (oprateur arithmtique

35

attendu)
92

prsence d'un seul identificateur entre les parenthses dans une opration
algbrique binaire du produit cartsien

29

Tableau D1- Liste des erreurs lexico-syntaxiques de RDB-E-LEARN

Num err

Libell de lerreur

122

les deux relations utilises dans la SEMI JOINTURE n'ont pas d'attributs

Num
ItemC
33

communs
110

les deux relations dans l'opration algbrique d INTERSECTION nont

27

pas le mme schma relationnel


107

les deux relations utilises dans la jointure naturelles n'ont pas d'attributs

31

communs
105

les deux relations dans l'opration algbrique d'UNION n'ont pas le

26

mme schma relationnel


104

les deux relations utilises dans la jointure extrieure n'ont pas d'attributs

32

communs
110

les deux relations dans l'opration algbrique d INTERSECTION nont

27

pas le mme schma relationnel


134

vous avez fait la diffrence entre deux relations identiques

27

130

vous avez fait l union entre deux relations identiques

26

Tableau D2- Liste des erreurs smantiques communes de RDB-E-LEARN

128

Annexes
Num err

Libell de lerreur

Num
ItemC

93

Oprateur algbrique du complment trouv alors qu'il nest pas prvu par

21

l'exo
94

Oprateur algbrique de projection introuvable alors qu'il est prvu par l'exo

22

95

Oprateur algbrique de la semi jointure introuvable alors qu'il est prvu par

33

l'exo
96

Oprateur algbrique dintersection trouv alors qu'il nest pas prvu par l'exo

28

97

Oprateur algbrique de complment introuvable alors qu'il est prvu par l'exo

21

98

Oprateur algbrique de la semi jointure trouv alors qu'il nest pas prvu par

33

l'exo
99

Oprateur algbrique de la jointure extrieure trouv alors qu'il nest pas prvu

32

par l'exo
100

Oprateur algbrique d'union trouv alors qu'il nest pas prvu par l'exo

101

Oprateur algbrique de la jointure naturelle trouv alors quil nest pas prvu

26

par l'exo
102

Oprateur algbrique du thta produit trouv alors qu'il nest pas prvu par

30

l'exo
103

Oprateur algbrique de la slection trouv alors qu'il nest pas prvu par l'exo

20

108

Oprateur algbrique de la projection trouv alors qu'il nest prvu par l'exo

22

109

Oprateur algbrique de la jointure extrieure introuvable alors qu'il est prvu

32

par l'exo
111

Oprateur algbrique d'UNION introuvable alors qu'il est prvu par l'exo

26

112

Oprateur algbrique de slection introuvable alors qu'il est prvu par l'exo

20

113

Oprateur algbrique de diffrence introuvable alors qu'il est prvu par lexo

28

114

Oprateur algbrique dintersection introuvable alors qu'il est prvu par l'exo

27

115

oprateur algbrique de l auto jointure introuvable alors quil est prvu par l

23

exercice
116

Oprateur algbrique du PRODUIT CARTESIEN introuvable alors qu'il est

29

prvu par l'exo


117

Oprateur algbrique de jointure naturelle introuvable alors qu'il est prvu par

31

l'exo
118

Oprateur algbrique de l'auto jointure trouv alors qu'il nest pas prvu par

23

l'exo
119

Oprateur algbrique du PRODUIT CARTESIEN trouv alors qu'il nest pas

29

prvu par l'exo


120

Oprateur algbrique dintersection introuvable alors qu'il est prvu par l'exo

30

121

Oprateur algbrique de la diffrence trouv alors qu'il nest prvu par l'exo

27

129

Annexes
123

vous navez pas utilis le bon identificateur de relation dans la slection

20

124

le premier identificateur d'attribut utilis dans la projection n'est pas le bon

22

125

le deuxime identificateur d'attribut utilis dans la projection n'est pas le bon

22

126

vous navez pas utilisez le bon identificateur de relation pour la projection

22

127

le nombre d'attributs dans la projection est diffrent de deux

22

128

le premier identificateur de relation dans l'union n'est pas le bon

26

129

le deuxime identificateur de relation dans lunion nest pas le bon

26

131

le nombre dattributs dans la projection est diffrent de un

22

132

le premier identificateur de relation dans l'opration algbrique de diffrence

27

n'est pas le bon


133

le deuxime identificateur de relation dans l'opration algbrique de diffrence

27

n'est pas le bon

Tableau D3- Liste des erreurs smantiques spcifiques de RDB-E-LEARN

130

Annexes

Annexe E : Exemple de Document XML et son Affichage avec un


Script Php
Description dun exemple de conception dun document ressource correspondant un
concept de lontologie Onto-TDM avec XML (pour la structure du document) (Figure
E1) et XSL (pour les styles de prsentation du document) (Figure E2) et son affichage
via un script PHP (Figure E3).

Figure E2. Structure XML dun document

131

Annexes

Figure E2. Style XSL du document

Figure E3. Script PHP daffichage du document

132

Annexes

Annexe F : Liste des Communications et Publications aprs Inscription


en Doctorat

Communications Nationales
-

Farida Bouarab-Dahmani, Malik Si-Mohammed, 2007." Evaluation Automatise de


lApprenant dans le Cadre dun Apprentissage par lExercice", la confrence
nationale sur la pdagogie et la didactique de la physique, Tizi-Ouzou, Algrie, 29
et 30 mai 2007.

Communications internationales dans des confrences avec comit scientifique de


lecture :
- Farida Bouarab-Dahmani, Malik Si-Mohammed." Characteristic based diagnosis in
an intelligent tutoring system for algorithmic", Proceedings of the international
conference on machine intelligence, the 2nd ACIDCA-ICMI2005, Toseur, Tunisia, 5-7
November 2005.
- Farida Bouarab-Dahmani, Malik Si-Mohammed,. Un mta-modle ontologique pour
la reprsentation de domaines denseignement en E-learning, Article
communiqu lInternational Conference on Web and information technologies
(ICWIT2008), Sidi BelAbbes, Algeria, 29-30 June.
- Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot. Une ontologie
gnrique Oprationnalise XML pour la Spcification de domaines
denseignement en E-learning, Article communiqu au colloque sur loptimisation
et les systmes dinformation COSI08, Tizi Ouzou , Mai 2008.
- Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot & Pierre Jean
Charrel. Evaluating the Learners State of Knowledge when he/she is learning by
doing, IADIS International Conference IADIS CELDA 2008, Freiburg, Germany,
October 13-15, 2008.
-

Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot & Pierre Jean


Charrel. Learners Error Diagnosis and Learner marking approaches for Elearning platforms, TELEARN International Conference 2008, Hanoi, Vietnam,
December 04-06, 2008.

Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot & Pierre Jean


Charrel. ODALA, an ontological model for automated evaluating of learner
knowledge: Application to Teaching of Algorithms, E-case-2009 (E-education)
International Conference, Singapour,
Janvier 08-10, 2009. Article class
distingu avec un certificat du comit de la confrence (cf. page 132 pour copies
des justificatifs).

Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot & Pierre Jean


Charrel. Learners automated evaluation with the ODALA approach, ACM133

Annexes

SAC2009 (Human Computer Interaction Track) International Conference,


Honolulu, Hawaii, USA, March 08-12, 2009.
Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot & Pierre Jean
Charrel. Teaching domain representation and learners evaluation in a platform for
relational database e-learning, E-case-2010 (E-education) International Conference,
Macau (Chine), Janvier25-27, 2010.

Publication dans des Revues Internationales


-

Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine Comparot, Pierre-Jean


Charrel. ODALA, An Ontological Model for an Automated Evaluation of Learners
State of Knowledge: Application to a Web based Algorithmic Teaching. Dans :
International Journal of Business and Information, International Business
Academics Consortium (IBAC), Vol. 4 N. 1, p. 1-22, juin 2009.

F. Bouarab-Dahmani, M. Si-Mohammed, C. Comparot & P. J. Charrel. Automated


Evaluation of Learners with the ODALA Approach: Application to Relational
Databases E-learning, International journal of computational intelligence systems,
IJCIS, Vol. 3 N.3, 2010.

134

Annexes

135