Sites Inria

Evénement

9/07/2018

Posters de doctorant.e.s à ESOF - EuroScience Open Source

ESOF - EuroScience Open Source se déroule pour sa 8e édition du 9 au 14 juillet à Toulouse, sur le thème "Partager la science : vers de nouveaux horizons" . Cécile Mazon, doctorante au sein de l'équipe Phoenix-post et Aurélien Appriou, doctorant au sein de l'équipe-projet Potioc y présenteront leurs travaux. Cécile travaille à la création d'outils numériques d'aide à la scolarisation autonome des élèves avec troubles du spectre autistique. Aurélien étudie les états mentaux liés à l"apprentissage via les signaux électro-encéphalographiques.

Poster de Cécile Mazon, doctorante de l’équipe Phoenix

Efficacité et utilisabilité des interventions technologiques pour les enfants et les adolescent.e.s avec TSA : une revue systématique de la littérature.

Assistant scolaire numérique, Collège+

Les troubles du spectre autistique (TSA) sont des troubles neurodéveloppementaux caractérisés par des difficultés de communication sociale et par des intérêts restreints et des comportements répétitifs. Les impacts des TSA sur la vie quotidienne sont multiples, et entraînent des restrictions de participation, comme par exemple l’accès à l’école en milieu ordinaire. Pour répondre à ce problème, un nombre croissant d’études a exploré les opportunités offertes par les interventions technologiques pour soutenir les enfants avec TSA dans leur vie quotidienne. Ces études se distinguent selon deux catégories, en fonction des objectifs de recherche, avec : 1) des études liées aux interactions Homme-machine, se focalisant sur l’évaluation de l’utilisabilité de la technologie, et 2) des études liées aux aspects cliniques, et se focalisant sur l’évaluation de l’efficacité thérapeutique des outils. 
Les objectifs de cette revue systématique de la littérature sont les suivants : 1) d’examiner le protocole d’étude en relation avec les standards liés aux pratiques fondées sur les preuves (evidence-based practices) ; 2) d’évaluer la qualité des mesures utilisées dans les études ; et 3) de comparer la méthodologie entre les deux types d’études, celles sur l’utilisabilité vs. celles sur l’efficacité thérapeutique. 
À partir des 685 résultats issus de la recherche, 31 études ont été sélectionnées pour cette revue, dont 22 sur l’efficacité thérapeutique, 6 sur l’utilisabilité et 3 portant sur les deux aspects à la fois. 
Les robots et les ordinateurs sont les technologies qui ont été les plus investiguées, mais les ordinateurs ont fourni de meilleures preuves d’efficacité que les robots. Les interventions ont majoritairement ciblé des compétences socio-émotionnelles, et les études ont montré des résultats encourageants. 
Globalement, peu d’études atteignent les standards méthodologiques minimaux (protocole d’étude robuste et mesures fiables). Cependant, les études portant sur l’efficacité thérapeutique ont fourni des preuves plus solides que les études sur l’utilisabilité, puisqu’elles ont mieux suivi les standards méthodologiques. L’analyse des études a aussi montré que, quel que soit l’objectif d’étude, les résultats obtenus sont influencés par la méthodologie : 1) plus le protocole d’étude était robuste, moins les résultats étaient homogènes et statistiquement significatifs, et 2) plus les mesures étaient fiables, moins les tailles d’effet étaient grandes. D’autres études rigoureuses sont donc nécessaires pour pouvoir considérer les interventions technologiques comme des pratiques efficaces auprès d’enfants avec TSA. 

Enfin, les études qui ont examiné à la fois l’utilisabilité et l’efficacité thérapeutique représentent une approche émergente prometteuse, qui combine les expertises issues du domaine des interactions Homme-machine et de la recherche clinique.

Ces dimensions sont d’égale importance pour évaluer les interventions technologiques, puisque les bénéfices cliniques nécessitent que l’outil technologique soit utilisable.

Poster d'Aurélien Appriou, doctorant de l’équipe-projet Potioc

Optimiser l'apprentissage numérique humain en décodant l'activité cérébrale en temps réel.

L'étude de l'apprentissage humain est cruciale : comment les humains peuvent-ils apprendre et quelles sont leurs motivations pour continuer à accumuler des connaissances ? Chaque être humain apprend en permanence à s'adapter à son environnement et les générations actuelles doivent maintenant apprendre à utiliser des technologies numériques en rapide évolution.
L'un des grands défis du 21e siècle est donc de comprendre les processus cognitifs et motivationnels impliqués dans l'apprentissage numérique. Certaines technologies exigent beaucoup de ressources cognitives de la part des utilisateurs et utilisatrices. Cela peut les forcer à faire d'énormes efforts pendant l'interaction et les surcharger cognitivement, ce qui rend l'apprentissage inefficace. La quantité de travail que fait le cerveau d'une personne utilisée une technologie est appelée charge de travail cognitif. C'est l'un des multiples états cognitifs impliqués dans l'apprentissage. Un autre état cognitif est la curiosité : une technologie stimulant la curiosité favoriserait un apprentissage efficace.
Ces états cognitifs liés à l'apprentissage trouvent leur origine dans le cerveau : nous pouvons étudier certains d'entre eux en mesurant l'activité cérébrale au cours des interactions personnes-technologie. Nous utilisons l'ElectroEncephalographie (EEG) qui consiste à placer un ensemble d'électrodes sur le cuir chevelu de l'utilisateur ou utilisatrice et à collecter les signaux électriques provenant du cerveau.

Ainsi, notre travail vise à décoder les états cognitifs tels que la charge de travail à partir des signaux EEG. Cela nous permet de concevoir des technologies favorisant un apprentissage efficace en veillant à ce que les niveaux de charge de travail des personnes utilisatrices ne soient ni trop élevés (surcharge) ni trop bas (ennui).

Pour ce faire, nous choisissons d'abord des tâches numériques impliquant différents niveaux de complexité, c'est-à-dire des variations distinctes de la charge de travail. Nous mesurons ensuite les signaux EEG induits pendant que les personnes effectuent ces tâches. Nous appliquons enfin des algorithmes d'apprentissage machine pour identifier les modèles d'EEG associés aux différents niveaux de charge de travail. Jusqu'à présent, en utilisant des outils tels que le Deep Learning , nous avons pu distinguer avec succès les niveaux de charge de travail faible des niveaux élevés dans les signaux EEG. Cela ouvre des perspectives prometteuses pour l'avenir de l'apprentissage numérique.

Mots-clés : Accessibilité numérique ESOF Deep learning Réalité augmentée

Haut de page

Suivez Inria tout au long de son 50e anniversaire et au-delà !