Diagnostic et prise de décision pédagogique pour la construction de compétences non-techniques en situation critique

Les competences non-techniques (CNT) sont un panel de capacites metacognitives complementant les competences techniques, et garantissant la realisation d’une activite technique sure. Elles jouent un role particulierement important dans la gestion de situations critiques, et ce dans de nombreux domaines, comme la conduite automobile, ou la medecine d’urgence. Les travaux de cette these ont eu pour but de contribuer a la construction d’un environnement virtuel pour l’apprentissage humain (EVAH) de ces competences non-techniques, via l’experience de situations critiques. Les travaux se sont focalises sur deux aspects fondamentaux pour la mise en place d’un EVAH. Dans un premier temps, nous nous sommes focalises sur la conception d’une architecture de diagnostic des competences non-techniques de l’apprenant, un probleme complexe, « mal-defini » au regard du faible degre de formalisation du domaine, de la nature en temps reel de cet apprentissage, et des relations, propres a chaque individu, entre criticite, competences techniques et competences non-techniques. Cette architecture associe connaissances du domaine, apprentissage machine et un reseau bayesien, afin de franchir l’important gap semantique separant l’activite perceptivo-gestuelle de l’apprenant produite au sein d’un environnement virtuel, de l’evaluation epistemique de ses competences. Dans un second temps, nous avons consacre nos efforts a la conception d’un module pedagogique capable de raisonner sur la base du module de diagnostic pour proposer a chaque apprenant un voyage a travers la criticite qui lui soit adapte, personnalise, et a meme de renforcer ses CNT. Ce module associe connaissances issues du reseau bayesien, a un algorithme d’apprentissage par renforcement de type « bandit manchot », pour guider l’apprenant vers une maitrise toujours plus grande de ses competences non-techniques. Les experimentations ont eu pour but de valider les choix de modelisation. Elles se sont basees sur des donnees reelles, obtenues au cours de sessions d’apprentissage realisees sur un simulateur « grande echelle » de conduite automobile, pour mettre en evidence la robustesse et la capacite de couverture de l’architecture de diagnostic. Nous avons ensuite concu un jeu de donnees synthetiques pour evaluer les capacites du module pedagogique a proposer des situations d’apprentissage adaptees aux singularites de chaque apprenant, et a memes de contribuer au renforcement de ses CNT.