Thông tin tài liệu
UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL LƯƠNG CHÍ THỌ GESTION ET ADAPTATION DES COMPORTEMENTS CONVERSATIONNELS ET PÉDAGOGIQUES D’AGENTS VIRTUELS DANS UN ENVIRONNEMENTS DE RÉALITÉ VIRTUELLE COLLABORATIF DE FORMATION (EVCF) QUẢN LÝ VÀ TÙY CHỈNH HÀNH VI ĐỐI THOẠI VÀ SƯ PHẠM CỦA CÁC TÁC TỬ ẢO TRONG MÔI TRƯỜNG ĐÀO TẠO CỘNG TÁC ẢO MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI – 2017 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL LƯƠNG CHÍ THỌ GESTION ET ADAPTATION DES COMPORTEMENTS CONVERSATIONNELS ET PÉDAGOGIQUES D’AGENTS VIRTUELS DANS UN ENVIRONNEMENTS DE RÉALITÉ VIRTUELLE COLLABORATIF DE FORMATION (EVCF) QUẢN LÝ VÀ TÙY CHỈNH HÀNH VI ĐỐI THOẠI VÀ SƯ PHẠM CỦA CÁC TÁC TỬ ẢO TRONG MÔI TRƯỜNG ĐÀO TẠO CỘNG TÁC ẢO Spécialité: Systèmes intelligents et Multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Mtre de conférences L’INSA de Rouen, Dr Alexandre Pauchet Mtre de conférences L’INSA de Rouen, Dr Julien Saunier Poste de recherche post-doctorale l'INSA de Rouen, Dr Mukesh Barange HANOI – 2017 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citées dans ce mémoire a été bien précisée LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc Fait Hanoï, le Hà nội, Ngày tháng năm 2017 Lương Chí Thọ LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières Table des matières iv Liste des figures v Liste des tableaux v Remerciements vii INTRODUCTION CHAPITRE : PROBLÉMATIQUE 1.1 Le contexte du travail : 1.2 La limitation de travail dans ce stage CHAPITRE : LES DÉFINITIONS ET L’ÉTAT DE L’ART 10 2.1 La situation 10 2.1.1 Définition d’une situation conversationnelle 10 2.1.2 État de l’art pour chercher la situation automatiquement 17 2.1.3 La méthode choisie et les améliorations 23 2.2 Machine état 31 2.2.1 État de l’art pour la machine état 31 2.2.2 Définition de notre machine états : 33 CHAPITRE : IMPLÉMENTATION 36 3.1 Trouver la situation automatiquement 36 3.1.1 Les données utilisées 36 3.1.2 Implémentation et résultat obtenu 38 3.1.3 Comparaison avec le programme existant 40 3.2 Construire la machine états issus des situations 43 3.2.1 Implémentation 43 3.2.2 Résultat 45 CHAPITRE : APPLICATION 47 4.1 Présentation de l’application 47 4.2 Implémentation 47 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 4.2.1 Méthode manuelle 48 4.2.2 Recherche automatique de motifs 52 4.3 Résultat 53 CONCLUSION 56 Références bibliographiques 58 Liste des figures Figure : Le système de pédagogie générale Figure : La partie résoudre Figure : Nombre de motifs fourni par SABRE et LPCA-DC de Zacharie Ales 23 Figure : Le temps d’exécution entre LPCA-DC et SABRE Zacharie Ales 23 Figure : Graphe G 27 Figure : Machine état de Christopher Peters 32 Figure : Machine état de David R Traum et James F Allen 33 Figure : Un exemple de machine état 35 Figure : un groupe de situations dans la machine états 45 Figure 10 : Résultat de construction de la machine état (partiel) 46 Figure 11 : le système de conversation 47 Figure 12 : Le système de recherche 49 Figure 13 : résultat d’application 54 Liste des tableaux Tableau : Le contenu dans le corpus Tableau : La conversation entre médecin et patient 12 Tableau : Une situation spécifique 15 Tableau : tableau d’annotation annoté par DIT++ 24 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Tableau : Les tableaux d’exemple d’annotation 24 Tableau : Tableau C 25 Tableau : Tableau C fusionné 28 Tableau : Tableau petit C 29 Tableau : Tableau C d’améliorer 30 Tableau 10 : dialogue parents – enfant 37 Tableau 11 : dialogues médecin – patient 37 Tableau 12 : Résultat de SABRE 39 Tableau 13 : Résultat d’amélioration SABRE 40 Tableau 14 : comparaison Viesa et Notre application avec Dialogues parents enfants 41 Tableau 15 : Le test pour des cas différents de nombre d'alignements minimum souhaité de Viesa 42 Tableau 16 : Test donné Dialogues médecin 42 Tableau 17 : Test donné Dialogues médecin 42 Tableau 18 : La structure de la conversation dans les Dialogues médecin patient 43 Tableau 19 : Motifs de faỗon manuelle 48 Tableau 20 : Tableau CF 51 Tableau 21 : Exemple des motifs trouvé 53 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciements Je tiens remercier toutes les personnes qui ont contribué au succès de mon stage et qui m'ont aidé lors de la rédaction de ce rapport Tout d'abord, j'adresse mes remerciements mes encadrants, M Alexandre Pauchet, M Julien Saunier et M Mukesh Barange de l’Institut National des sciences appliquées de Rouen qui m'ont beaucoup aidé dans ma recherche de stage et m’ont suivi, conseillé, tout au long de ce stage Enfin, je tiens remercier toutes les personnes du bâtiment Bougainville de l’INSA de Rouen pour leur accueil, le temps passé ensemble et le partage de leur expertise au quotidien en France LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Résumé Depuis quelques années, la technologie de la réalité virtuelle est un centre d'intérêt pour les scientifiques et les chercheurs, l’utilisation d’humains virtuels est un atout supplémentaire des environnements virtuels de formation Les Environnements Virtuels de Formation Collaboratifs (EVFC) permettent des utilisateurs d’apprendre réaliser une procédure collaborative Dans ces environnements, les utilisateurs sont amenés interagir et travailler avec d’autres utilisateurs mais aussi avec des agents autonomes (Agent Conversationnel Animé), chacun remplissant un rôle spécifique dans la procédure Dans cette discipline, la gestion et l’adaptation des comportements conversationnels et pédagogiques d’agents virtuels dans un EVFC est un sujet dans lequel il reste beaucoup de progrès faire Dans le cadre de notre travail, nous nous sommes intéressés résoudre le problème de mettre en place un module décisionnel pour l'agent partir de contenus sémantiques et pragmatiques par la modalité verbale en considérant le cas où un utilisateur travaille avec un tuteur, l’utilisateur communique avec le tuteur par la parole qui sera transformée en phrases de textes (corpus) La solution principale est d'étudier les situations de dialogues, c'est dire, nous allons chercher automatiquement les situations d’actes de dialogue dans le corpus avec le but que le Tuteur puisse reconnaitre la situation de communication dans laquelle il se trouve Pour ce faire, nous avons nous même donné une définition de la situation de dialogue, et partir de cette définition, nous avons cherché automatiquement les situations de dialogues par l'application et l'amélioration de l'algorithme SABRE Une fois les situations de dialogue trouvées, une machine état est implémentée pour modéliser la situation de communication Pour bien montrer la modélisation entre utilisateur et Tuteur, nous avons construit une application qui nous permet de communiquer avec un Tuteur et où le Tuteur identifie la situation de dialogue et prédit la réponse Mots-clés : EVFC, Conversationnels et pédagogiques d’agents virtuels, SABRE, Situation de dialogue, Réalité virtuelle, Machine état LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com INTRODUCTION Ce stage de recherche de mois pour la fin d’étude de master a été réalisé dans le laboratoire LITIS de L’INSA de Rouen, au sein de l'équipe MIND (Multi-Agent, Interaction, Décision) L’équipe MIND, rattachée l’axe « Interaction et Systèmes Complexes » du LITIS, mène des recherches dans le domaine des Systèmes Multi-Agents et des Agents Autonomes (AAMAS) sur des problématiques de décision et d’interaction au sein de systèmes associant utilisateurs humains et agents logiciels Les travaux de l’équipe portent sur la conception de systèmes de décision automatiques ou semi-automatiques, sur les modes d’interaction entre agents logiciels et humains ainsi que sur les interactions médiées entre utilisateurs humains ‘**’ Aujourd’hui, l’utilisation d’humains virtuels est un atout supplémentaire des environnements virtuels de formation Ces humains virtuels sont des entités virtuelles capables, comme les humains réels, de prendre un rôle dans la réalisation d’un scénario de la vie quotidienne De plus, les Environnements Virtuels de Formation Collaboratifs (EVFC) permettent des utilisateurs d’apprendre réaliser une procédure collaborative Dans ces environnements, les utilisateurs sont amenés interagir et travailler avec d’autres utilisateurs mais aussi avec des agents autonomes (Agent Conversationnel Animé), chacun remplissant un rôle spécifique dans la procédure L’agent peut jouer le rôle d'un membre de l’équipe, aussi bien que le rôle de tuteur pendant les activités collectives Dans cette discipline, la gestion et l’adaptation des comportements conversationnels et pédagogiques d’agents virtuels dans un EVFC est un sujet dans lequel il reste beaucoup de progrès faire ** : Suivi la présentation dans le site web de LITIS LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Le mémoire est structuré en quatre grandes parties : CHAPITRE - PROBLÉMATIQUE Ce chapitre présente brièvement l’environnement du stage, le contexte du sujet et la limitation de travail dans ce stage En plus, il présente aussi un schéma qui décrit le système de décision et pédagogie générale d'un agent CHAPITRE - LES DÉFINITIONS ET L’ÉTAT DE L’ART Dans ce chapitre, nous présentons la recherche sur deux parties : Dans la première partie, nous faisons la recherche sur les travaux existants du problème de la situation dans le domaine de linguistique et dans le domaine de l'informatique pour montrer une définition de la situation de dialogue adaptée notre problème Ensuite nous étudions différentes techniques qui peuvent être utilisées dans ce domaine de recherche À partir de cette étude, nous pourrons choisir une technique avec l'amélioration pour qu'elle puisse s'adapter avec le projet Enfin, c'est la prộsente de faỗon gộnộrale de la mộthode choisie et l'amélioration de la méthode La deuxième partie, ce sont des recherches sur la modélisation de la communication homme-machine Cette partie présente aussi l'étude sur les travaux existants, et issus de cette étude, nous proposons une méthode qui peut résoudre notre problème CHAPITRE - IMPLÉMENTATION Ce chapitre présente les outils et l’environnement de développement des techniques, algorithmes et améliorations présentées dans le chapitre Nous présentons aussi les résultats obtenus, l’analyse de ces résultats et une comparaison entre notre programme et l'application existante CHAPITRE - APPLICATION Ce chapitre présent une application qui utilise la machine états pour la modélisation de conversations homme – machine LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 49 Figure 12 : Le système de recherche Le modèle Sac de mot a pour but de construire et indexer les données La sortie du modèle Sac de mot est l’entrée pour le modèle TF-IDF, ce modèle a pour buts: Pondération locale: importance du terme dans le document Pondération globale: importance du terme dans la collection Normalisation en fonction de la taille du document: importance du document Et le dernier modèle Analyse sémantique latente permet de : Réduire l’espace de représentation Garder le plus d’information possible Réduire ainsi la dimension des : Matrices en valeurs singulières, Matrices de terme – concept, Matrices de concept – document L’application débute par l’étape d’apprentissage avec les données du corpus Cette étape va suivre les flèches rouges Le modèle Sac de mot va créer une matrice d'occurrence, après le modèle TF-IDF et traitement du modèle Analyse sémantique latente, une nouvelle LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 50 matrice d’occurrences va sortir Cette matrice est une approximation de la matrice d’occurrences (elle est diminuée le nombre de l’espace vectoriel de représentation) À chaque cas, on traite le texte d’entrée utilisateur (flèches jaunes) On passe trois modèles et la sortie est une matrice de texte Pour faire la décision, un calcul de similarité entre la matrice texte d’entrée et la matrice d’occurrences est implémenté par la fonction cosinus de l'angle de leurs vecteurs Évaluation : On a besoin d’évaluer notre l’approche pour déterminer son efficacité Le corpus qu’on utilise pour cette évaluation est un ensemble de cinquante fichiers de Dialogues parents enfant À chaque fichier, on prend 1/3 du nombre de lignes total (ex : pour un fichier avec 120 lignes de phrase, on prend 40 lignes pour le test) Une matrice de confusion est créée pour évaluer le pourcentage de succès LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 51 d1 d1 d50 … ……………………………………………………………… d50 10000000000000000000000000000000000000000000000000 01000000000000000000000000000000000000000000000000 00100000000000000000000000000000000000000000000000 00010000000000000000000000000000000000000000000000 00001000000000000000000000000000000000000000000000 00000100000000000000000000000000000000000000000000 00000010000000000000000000000000000000000000000000 00000001000000000000000000000000000000000000000000 00000000100000000000000000000000000000000000000000 00000000010000000000000000000000000000000000000000 00000000001000000000000000000000000000000000000000 00000000000100000000000000000000000000000000000000 00000000000010000000000000000000000000000000000000 00000000000001000000000000000000000000000000000000 00000000000000100000000000000000000000000000000000 00000000000000010000000000000000000000000000000000 00000000000000001000000000000000000000000000000000 00000000000000000100000000000000000000000000000000 00000000000000000010000000000000000000000000000000 00000000000000000001000000000000000000000000000000 00000000000000000000100000000000000000000000000000 00000000000000000000010000000000000000000000000000 00000000000000000000001000000000000000000000000000 00000000000000000000000100000000000000000000000000 00000000000000000000000010000000000000000000000000 00000000000000000000000001000000000000000000000000 00000000000000000000000000100000000000000000000000 00000000000000000000000000010000000000000000000000 00000000000000000000000000001000000000000000000000 00000000000000000000000000000100000000000000000000 00000000000000000000000000000010000000000000000000 00000000000000000000000000000001000000000000000000 00000000000000000000000000000000100000000000000000 00000000000000000000000000000000010000000000000000 00000000000000000000000000000000001000000000000000 00000000000000000000000000000000000100000000000000 00000000000000000000000000000000000010000000000000 00000000000000000000000000000000000001000000000000 00000000000000000000000000000000000000100000000000 00000000000000000000000000000000000000010000000000 00000000000000000000000000000000000000001000000000 00000000000000000000000000000000000000000100000000 00000000000000000000000000000000000000000010000000 00000000000000000000000000000000000000000001000000 00000000000000000000000000000000000000000000100000 00000000000000000000000000000000000000000000010000 00000000000000000000000000000000000000000000001000 00000000000000000000000000000000000000000000000100 00000000000000000000000000000000000000000000000010 00000000000000000000000000000000000000000000000001 Tableau 20 : Tableau CF LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 52 Le pourcentage est calculé par : CF [i, j]: #individus de la classe i catégorisés en classe j CF [i, i]: #individus de la classe i correctement classés La précision globale est donnée par: Σ CF [i, i] / CF Selon la formule de précision globale, le pourcentage d’évaluation du tableau CF (tableau 20) est de 100% Observation : l’évaluation a montré un bon résultat dans ce cas de test Mais pour confirmer que c’est une bonne méthode, il faut qu’on essaie avec d’autres données Dans la cadre ce travail, nous sommes arrêtés pour ce cas de test, le test avec d’autres données est un perspective 4.2.2 Recherche automatique de motifs L’idée est d’utiliser l’approche d’extraction de motifs automatique Une fois qu’on a trouvé un ensemble de motifs automatiquement (comme montré plus haut), la machine états est construite Dans la méthode manuelle, chaque fichier de dialogue, le motif est mis manuellement dans tout le fichier (par exemple dans table 21, tous les lignes appartiendront l'un des motifs) Avec la méthode de recherche automatique de motifs, les motifs sont déterminés par la répétition de sous-parties de chaque fichier du corpus C'est la raison pour laquelle, chaque fichier de dialogue: soit on trouve quelque motifs (l'exemple est qu’on trouve seulement les motifs ‘1’ et ‘3’ (dans table 21), toutes les lignes restantes n’appartiennent pas ces motifs), soit on ne trouve aucun motifs, soit on trouve des motifs qui contiennent des lignes répétées d'autre motifs dans ce fichier (le cas des motifs ‘1’ et ‘2’ dans table 21, on peut voir que il y a trois phrases qui appartiennent deux motifs ‘1’ et ‘2’) Cela influence le résultat de sélection de la situation dans la machine états Locuteur Contenu Annotation Motifs Bonjour I-Greeting SOM 1 je m'appelle Elise Self-Intro SOM 1 et toi comment t'appelles tu ? Contact Check CM Alexandre R-Self-Intro SOM LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 53 Bonjour I-Greeting SOM 1, Alexandre Autopositive Auto-Feedback 1, je suis très contente de faire ta Thanking SOM 1, connaissance Quel Âge est ce que tu as ? Set question CM 2 ans Answer CM Wahou tu es un grand maintenant Autopositive Auto-Feedback Et en quelle classe est-ce que tu es Set question CM Euh Stalling, Time CE1 Answer CM C'est bien !! Autopositive Auto-Feedback Table 21 : Exemple des motifs trouvé L’hypothèse, dans l’étape d’extraction de motifs, dans le fichier ‘Z’ avec le contenu et les annotations donnés table 21, les motifs trouvés ne sont que ‘1’ et ‘3’, le texte d’entré est ‘Quel Âge est ce que tu as ?’ et le résultat de recherche de texte d’entrée est exactement le fichier ‘Z’ On ne peut pas déterminer le motif ou bien la situation de cette phrase Le mécanisme opérationnel du système est qu’après avoir trouvé le motif de phrase d'entrée on va déterminer le schéma d'annotation comme Figure et le chercher dans la machine état Mais dans ce cas on ne peut pas trouver la situation dans la machine état, cela signifie que la machine ne peut pas donner la réponse 4.3 Résultat Le résultat pour la création manuelle de motifs (les situations) : Les données sont les Dialogues des enfants L’idée est qu’après avoir extrait manuellement, on va construire la machine états issue de ces situations La recherche de la phrase d'entrée dans un corpus permet de déterminer le fichier qui contient le texte et aussi de savoir le motif auquel elle appartient LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 54 Figure 13 : résultat d’application Observation : La phrase d’entrée d’utilisateur est ‘Bonjour’, le résultat contient trois groupes : ‘Type Predict’ liste les résultats de recherche de la phrase d’entrée et choisit le fichier qui a la phrase d’entrée (dans ce cas ‘bonjour’) ‘Phrase Predict’ ce sont des phrases dans le fichier trouvées qui contiennent la phrase d’entrée et ce fichier est le résultat de l’étape de prédiction ‘Response Predict’ identifie la réponse de la machine LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 55 La phrase trouvée montrée dans l’image appartient deux motifs dans la machine état, l’annotation de cette phrase d’entrée est ‘I-Greeting SOM’, dans ce cas l’utilisateur joue le rôle ‘1’ (personnage 1) et la machine joue le rôle ‘2’ On dit que la réponse prédictive dans ce cas n’est pas une bonne réponse pour l'utilisateur car l'objectif de l'utilisateur est de faire connaissance avec la machine quand il dit 'Bonjour' et dans cette situation de conversation, on attend toujours une réponse comme 'Bonjour' ou 'Salut' (On dit ‘bonjour’ et la réponse est ‘Alexandre ans’) En fait, ce n’est pas logique : on ne demande pas le nom et l’âge de la machine Le problème ici est qu’il ne trouve pas la situation ‘I-Greeting SOM’ – ‘IGreeting SOM’ (on dit ‘bonjour’, la réponse est ‘bonjour’) La solution est d’ajouter toutes les situations possibles de la vie quotidienne LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 56 CONCLUSION L’enjeu principal de ce stage est de développer les comportements décisionnels et pédagogiques de l'agent en Environnements d’apprentissage scientifiques et techniques Mais durant ce stage, nous nous sommes intéressés au problème d’extraction des situations issues d’un corpus pour construire une machine états qui décrit des conversations homme – machine Pour ce faire, nous avons tout d’abord étudié le domaine de linguistique pour bien définir notre situation Grâce aux trois questions importantes pour déterminer une situation de Patrick CHARAUDEAU [7], nous avons bien montré notre définition d’une situation que : Une situation peut comporter des ‘causes’ (ex : Inform, Check Question, Set Question, etc ) mais peut ne pas comprendre de ‘conséquence’ (ex : Correction, Confirm, Disconfirm, etc ) Un motif ou bien une situation doit être participative de deux personnes en séquence Bien que le domaine de la linguistique nous montre une définition d'une situation de dialogue, il manque quelque chose si on applique cette définition sur notre cas Une étude sur le lien entre la situation et le motif dans le domaine de l'informatique nous indique une définition supplémentaire: Une situation dans une histoire est un sous- partie dedans ou un groupe de phrases qui dessinent un acte de dialogue spécifique mais qui doit respecter la caractéristique de séquence d’une chne de phrases dans une conversation Selon la définition, nous avons fait un état de l’art pour trouver une bonne méthode pour résoudre notre problème Une idée se base sur le travail de Maria-Liudvika Drazdauskiene qui porte sur les stéréotypes dans la conversation et qui permettent de donner du sens dans la communication Cette idée correspond bien notre problème et SABRE a été choisi comme la meilleure méthode Nous avons implémenté et amélioré cette méthode pour réduire le temps de calcul de SABRE Pour ce faire, une méthode de k plus proches voisins LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 57 a été appliquée pour diminuer les voisins lors de la troisième étape de SABRE et nous avons trouvé un bon résultat Après avoir extrait un ensemble de motifs, un filtre a été réalisé pour confirmer que ces motifs sont bien des situations selon notre définition Mais nous avons identifié un problème, qui est qu’on ne peut pas déterminer le changement de rôle d’un participant, c’est-à-dire, dans notre cas il y a seulement un utilisateur qui parle avec un tuteur (différent du cas d’un tuteur qui parle avec un utilisateur) et avec nos données (la première colonne), on ne peut pas déterminer le rôle de chaque utilisateur Malgré ce problème, le filtrage a pu sélectionner les situations qui doivent être participatives de deux personnes Une fois ceci fait, nous avons extrait les bonnes situations (selon nous), nous avons implémenté la construction de la machine états suivant notre définition adaptée notre problème Une application a été développée pour bien montrer le cas de la modélisation de conversations entre homme et machine Du point de vue personnel, ce travail a proposé des définitions et l’implémentation les méthodes qui permettent de résoudre la problématique, mais il n'est pas complet Comme les problèmes que nous avons rencontré durant ce travail, il reste des problématiques traiter l’avenir Mais ce stage m’a permis d’acquérir une deuxième expérience du monde de la recherche et m'a bien préparé pour ma thèse prochaine LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 58 Références bibliographiques [1] Harry Bunt, The DIT++ taxonomy for functional dialogue markup, 2009, International Foundation for Autonomous Agents and Multiagent Systems [2] M Walker and R Passonneau 2001 Date: A dialogue act tagging scheme for evaluation In Human Language Technology Conference [3] E Goffman Frame Analysis: An Essay on the Organizationof Experience Harper and Row, New York, 1974 [4] E Goffman Forms of Talk University of Pennsylvania Press, Philadelphia, Pennsylvania, USA, 1981 [5] Andreas Stolcke, Noah Coccaro, Rebecca Bates, Paul Taylor, Carol Van Ess-Dykema, Klaus Ries, Elizabeth Shriberg, Daniel Jurafsky, Rachel Martin, Marie Meteer, Dialogue act modeling for automatic tagging and recognition of conversational speech, in Journal Computational Linguistics archive Volume 26 Issue 3, September 2000 Pages 339-373 [6] Shafiq R Joty, Giuseppe Carenini, and Chin-Yew Lin 2011 Unsupervised modeling of dialog acts in asynchronous conversations IJCAI [7] P Charaudeau, « L’événement dans le contrat médiatique », in Dossiers de l’audiovisuel n91, La tộlộvision de lộvộnement, La documentation franỗaise, Paris, maijuin, 2000 [8] Nicolas, J A., Herengt, G., & Albuisson, E (2004) Sequential pattern mining and classification of patient path MEDINFO 2004: Proceedings of The 11th World Congress On Medical Informatics [9] Kay, J., Maisonneuve, N., Yacef, K., & Zaïane, O (2006) Mining patterns of events in students’ teamwork data In Educational Data Mining Workshop, held in conjunction with Intelligent Tutoring Systems (ITS), (pp 45-52) LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 59 [10] Berendt, B A (2000) Analysis of navigation behaviour in web sites integrating multiple information systems The VLDB Journal, 9(1), 56–75 doi:10.1007/s007780050083 [11] Lent, B., Agrawal, R., & Srikant, R (1997) Discovering trends in text databases Proc 3rd Int Conf Knowledge Discovery and Data Mining, KDD (pp 227-230) AAAI Press [12] Yuta Tsuboi, Yuji Matsumoto (2002) Authorship identification for heterogeneous documents [13] Solen Quiniou, Peggy Cellier, Thierry Charnois, Fouille de données pour associer des noms de sessions aux articles scientifiques, 21ème Traitement Automatique des Langues Naturelles, Marseille, 2014 [14] Wang, K., Xu, Y., & Yu, J X (2004) Scalable sequential pattern mining for biological sequences CIKM ‘04: Proceedings of the Thirteenth ACM International Conference on Information and Knowledge Management (pp 178-187) Washington, DC: ACM [15] Terai, G., & Takagi, T (2004) Predicting rules on organization of cis-regulatory elements, taking the order of elements into account Bioinformatics (Oxford, England), 20(7), 1119–1128 doi:10.1093/bioinformatics/bth049 [16] Wang, M., Shang, X.-Q., & Li, Z.-H (2008) Sequential pattern mining for protein function prediction ADMA ‘08: Proceedings of 4th International Conference on Adv Data Mining and Applications (pp 652-658) Chengdu, China: Springer-Verlag [17] Guan, J W., Liu, D., & Bell, D A (2004) Discovering motifs in DNA sequences Fundam Inform 59(2-3), 119–134 [18] Rakesh Agrawal, Tomasz Imielinski, and Arun Swami Mining association rules between sets of items in large databases In ACM SIGMOD Record, volume 22, pages 207–216 ACM, 1993 [19] Jiawei Han and Yongjian Fu Discovery of multiple-level association rules from large databases In VLDB, volume 95, pages 420–431, 1995 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 60 [20] Guizhen Yang The complexity of mining maximal frequent itemsets and maximal frequent patterns In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 344–353 ACM, 2004 [21] Jian Pei, Jiawei Han, Behzad Mortazavi-Asl, Helen Pinto, Qiming Chen, Umeshwar Dayal, and Mei-Chun Hsu Prefixspan: Mining sequential patterns efficiently by prefixprojected pattern growth In 2013 IEEE 29th International Conference on Data Engineering (ICDE), pages 0215–0215 IEEE Computer Society, 2001 [22] Helen Pinto, Jiawei Han, Jian Pei, Ke Wang, Qiming Chen, and Umeshwar Dayal Multi-dimensional sequential pattern mining In Proceedings of the tenth international conference on Information and knowledge management, pages 81–88 ACM, 2001 [23] Mohammed J Zaki Spade: An efficient algorithm for mining frequent sequences Machine learning, 42(1-2): 31–60, 2001 [24] Thèse de Zacharie Ales, Extraction et partitionnement pour la recherche de régularités : application l’analyse de dialogues Soutenue le 28 Novembre 2014 [25] S.B Needleman, C.D Wunsch, et al A general method applicable to the search for similarities in the amino acid sequence of two proteins Journal of Molecular Biology (J Mol Biol.), 48(3):443–453, 1970 [26] T.F Smith and M.S Waterman Identification of common molecular subsequences Journal of Molecular Biology (J Mol Biol.), 147(1): 195 – 197, 1981 [27] T Lecroq, A Pauchet, É Chanoni, and G.A Solano Pattern discovery in annotated dialogues using dynamic programming International Journal of Information and Decision Sciences (IJIDS), 6(6) :603–618, 2012 [28] David R Traum and James F Allen: A "Speech Acts" Approach To Grounding In Conversation, In Proceedings of International Conference on Spoken Language Processing -1992 [29] J Hulstijn Dialogue games are recipes for joint action In Proceedings of the Forth Workshop on the Semantics and Pragmatics of Dialogue (Gotalog’00), 2000 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 61 [30] N Maudet Modéliser les conventions des interactions langagières : la contribution des jeux de dialogue Thèse de doctorat, Université Paul Sabatier, Toulouse, France, Mai 2001 [31] La thèse de Guillaume Dubuisson Duplessis, Modèle de comportement communicatif conventionnel pour un agent en interaction avec des humains, Approche par jeux de dialogue, 23 mai 2014 [32] I Lewin A formal model of conversational game theory In Fourth Workshop on the Semantics & Pragmatics of Dialogue, 2000 [33] Christopher Peters: Direction of Attention Perception for Conversation Initiation in Virtual Environments ,5th International Working Conference, IVA 2005, Kos, Greece, September 12-14, 2005 Proceedings [34] Mihai Barbuceanu and Mark S Fox: COOL: A Language for Describing Coordination in Multi Agent Systems In proceedings of the first international conference on multi-agent systems (ICMAS’95) AAAAI press, San Francisco, USA (1995) 17-24 [35] M Bennewitz, F Faber, D Joho, M Schreiber, and S Behnke: Multimodal Conversation between a Humanoid Robot and Multiple Persons, American Association for Artificial Intelligence (www.aaai.org) – 2005 [36] E F Moorq “Sequential Machines Selected Papers”: Addison Wesley Publishing Conyxmy, Inc, Reading, Mass (19&a) [37] Robert M Keller (July 1976) "Formal Verification of Parallel Programs", Communications of the ACM, vol 19, nr 7, p 371-384 [38] Joseph B Kruskal On the shortest spanning subtree of a graph and the traveling salesman problem Proceedings of the American Mathematical society, 7(1) :48–50, 1956 [39] R C Stalnaker Assertion In Syntax and Semantics, volume Cole, P., 1979 [40] D K Lewis Scorekeeping in a language game Journal of philosophical logic, vol 8, pages 339–359, 1979 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 62 [41] M.E Bratman Intention, plans, and practical reason Harvard University Press, Cambridge, 1987 [42] Maria-Liudvika Drazdauskiene “On stereotypes in conversation Their meaning and significance” In: Florian Coulmsa (Hrsg) Conversation Routine Den haag: Mouton de Gruyter 55-68 [43] Charles A Ferguson "The structure and use of politeness formulas" In Language in Society, Vol 5, No (Aug., 1976), pp 137-151 [44] Tannen, Deborah, and Piyale, C Oztek (1981) Health to our mouths Formulaic expressions in Turkish and Greek In Conversational Routine, Florian Coulmas (ed.), 516534 The Hague: Mouton [45] Coulmas, Florian (1981): 'Poison to your soul!' Thanks and apologies contrastively viewed In: Coul-mas, Florian (ed.): Conversational Routine Explorations in Standardized Communication Situations and Prepatterned Speech The Hague: Mouton 69-91 [46] Eric Keller Gambits: Conversational strategy signals In Journal of Pragmatics Volume 3, Issues 3–4, August 1979, Pages 219-238, doi:10.1016/0378-2166(79)90032-8 [47] Manes, Joan / Wolfson, Nessa (1980), “The Compliment Formula”, in: Coulmas, Florian (ed.) Conversational Routine The Hague, Mouton, 115-132 [48] Verschueren, Jef, 1981 The semantics of forgotten routines In: Coulmas, Florian (Ed.), Conversational Routines Explorations in Standardized Communication Situations and Prepatterned Speech Mouton, The Hague, pp 133 153 [49] House, Juliane — Gabriele Kasper 1981 "Politeness markers in English and German", in: Florian Coulmas (ed.), 157-185 [50] Griffin, Peg and Hugh Mehan 1981 Sense and ritual in classroom discourse In Florian Coulmas ed., Conversational routine The Hague: Mouton, 187-213 [51] Rehbein, Jochen: "Announcing - On Formulating Plans" In: Coulmas, Florian (ed.)(1981): Conversational routine Explorations in Standardized Communication Situations and Prepatterned Speech Den Haag LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 63 [52] Bruce Fraser, “On Apologizing,” in Florian Coulmas, ed., Conversational Routine: Explorations in Standardized Communication Situations and Prepatterned Speech (Berlin: Mouton de Gruyter, 1981), 259-71 [53] Edmondson, Willis J 1981a “On saying you're sorry.” In Conversational Routine: Explorations in Standardized Communication Situations and Prepatterned Speech, Florian Coulmas (ed.), 273–288 [54] Laver, John D.M.H 1981 "Linguistic routines and politeness in greeting and parting." In Florian Coulmas (ed.), Conversational routine The Hague: Mouton, 289-304 [55] FLORIAN COULMAS, Explorations in standardized communication situations and prepatterned speech, Rasmus Rask studies in pragmatic linguistics, The Hague: Mouton, 1981 Pp xii, 33 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ... RÉALITÉ VIRTUELLE COLLABORATIF DE FORMATION (EVCF) QUẢN LÝ VÀ TÙY CHỈNH HÀNH VI ĐỐI THOẠI VÀ SƯ PHẠM CỦA CÁC TÁC TỬ ẢO TRONG MÔI TRƯỜNG ĐÀO TẠO CỘNG TÁC ẢO Spécialité: Systèmes intelligents et Multimédia... précisée LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa công bố công trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc Fait Hanoï, le Hà... réalité virtuelle est un centre d''intérêt pour les scientifiques et les chercheurs, l’utilisation d’humains virtuels est un atout supplémentaire des environnements virtuels de formation Les Environnements
Ngày đăng: 06/12/2022, 15:46
Xem thêm:
