EP4172973A1 - Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal - Google Patents

Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal

Info

Publication number
EP4172973A1
EP4172973A1 EP21740596.8A EP21740596A EP4172973A1 EP 4172973 A1 EP4172973 A1 EP 4172973A1 EP 21740596 A EP21740596 A EP 21740596A EP 4172973 A1 EP4172973 A1 EP 4172973A1
Authority
EP
European Patent Office
Prior art keywords
information
user
given
access
information given
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21740596.8A
Other languages
German (de)
English (en)
Inventor
Sonia Laurent
Cédric Floury
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Orange SA
Original Assignee
Orange SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Orange SA filed Critical Orange SA
Publication of EP4172973A1 publication Critical patent/EP4172973A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/0053—Computers, e.g. programming
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Definitions

  • TITLE A method of assisting in the learning of a plurality of information items by a user of a terminal.
  • the field of the invention is that of learning assistance.
  • the invention relates to a method of assisting in the learning of information by a user of a terminal.
  • information is meant in particular, but not exclusively, the names of technologies, concepts, places, people, etc., or any other information (also called “knowledge” or “competence”) which may be useful to the organization. 'user.
  • terminal is meant in particular, but not exclusively, a personal computer (fixed or portable), a digital tablet, a personal digital assistant, a smartphone, a workstation, etc., or any device other than a user. can use to receive, send or search text and / or image and / or sound type content.
  • content is meant in particular, but not exclusively, an electronic mail, a message (instantaneous or not), a document, a search (carried out for example with a web browser), a news feed of a social network , content published on a social network, etc.
  • the invention can be applied in many fields, for example:
  • the proposed solution allows the user of a social network to be informed, by real time or in deferred time, as soon as new information (new concept or new element), never encountered previously, appears in the news feed of his social network);
  • the invention in at least one embodiment, aims in particular to overcome these various drawbacks of the state of the art.
  • an objective is to provide a technical solution to aid in the learning of information by the user of a terminal.
  • At least one embodiment of the invention also aims to provide such a solution which is simple to implement and easy to use.
  • Another objective of at least one embodiment of the invention is to provide such a solution which makes it possible to limit the computing resources of the computing machine, as well as the network traffic to and / or from the terminal of the. user.
  • a complementary objective of at least one embodiment of the invention is to provide such a solution which makes it possible to adapt both to the user and to the information to be learned.
  • a method for assisting in the learning of a plurality of information items by a user of a terminal.
  • the method comprises, during a user encounter with a given item of information, from among the plurality of items of information, during use of the terminal: storing in a knowledge base, context data relating to said encounter, with an entry for the given information; o determination of a knowledge index of the given information, specific to the user, as a function of context data recorded in the knowledge base with the entry for the given information; and o proposal for access to at least one element for understanding the information given as a function of the determined knowledge index.
  • the proposed solution offers a completely new and inventive approach, consisting of a learning aid method which is implemented in a computing machine. It aims to identify the information which may be unknown, or quite simply forgotten, by the employee (but which may be important, for example in the nature of his profession) by determining an index (or degree) of knowledge for each of this information.
  • the proposed solution therefore aims to provide the user with elements of understanding based on the knowledge index determined. Thus, if the knowledge index is deemed too low (for example because it is below a threshold), elements of understanding are offered to the user while if the knowledge index is high, no element of understanding is not offered.
  • an advantage of the proposed solution is that it makes it possible to limit the computing resources used by the computing machine, as well as the network traffic to and / or from the user's terminal, since the number of notifications, for offer the user access to the elements of comprehension then to provide these elements of comprehension (if the user wishes it), is limited (the calculation machine automatically selects the information for which it is necessary to propose elements understanding).
  • the element of comprehension proposed is a complete initial training, while that for a value of the index close to a threshold (for example 0.45 "if the threshold is equal to 0.5) and indicating that the information given is possibly forgotten by the user, the comprehension element proposed is for example a shorter training (or a simple reminder of the definition).
  • One advantage of the proposed solution is that it is easy to implement since it suffices, in addition to the terminal already available to the user, a computing machine (possibly the one already present in the terminal) cooperating with a knowledge base (database).
  • Another advantage of the proposed solution is that it is easy to use since the user is offered access to elements of understanding, for information that the calculation machine itself has automatically selected, according to of the knowledge index determined.
  • Another advantage of the proposed solution is that it makes it possible to adapt both to the user (since the knowledge index is a function of the content of the knowledge base, which itself depends on the choices of the user. user to access or not to the elements of understanding offered) and to the information to be learned (since the knowledge index is specific to a given information; in other words, each of the information is associated with its own knowledge index ).
  • the proposed solution makes it possible to take into account the facilities or, on the contrary, the difficulties that each user may encounter in particular skill areas (that is to say for particular information to be learned).
  • the method comprises storing, with said entry, at least one piece of context data relating to said access. , respectively audit non-access.
  • the encounter of the user with the given information belongs to the group comprising:
  • the proposed solution can take account of the great diversity in the encounters that the user can have with a given item of information. It is effective even if the user manipulates a large amount of information.
  • the list of types of meetings is not exhaustive.
  • said at least one comprehension element belongs to the group comprising:
  • said at least one piece of information data belongs to the group comprising:
  • the context data belong to the group comprising:
  • the determination of the knowledge index depends on:
  • the knowledge index can be calculated easily during a certain number of first iterations of the learning aid process and as long as the knowledge base is not sufficiently filled for a calculation of d 'index based on a machine learning model (see detail below) is considered acceptable.
  • the determination of the knowledge index uses a machine learning model and comprises:
  • the knowledge index can be calculated efficiently and based on several criteria (corresponding to the different information data and context).
  • the attributes included in the input data belong to the group comprising:
  • At least one context attribute filled in with the context data and belonging to the group comprising: a reference date, defined as the most recent date among one or more date (s) of encounter of the given information and a or more date (s) of proposal for access to at least one element of understanding; a number of encounters of the information given in reading in a predetermined period preceding the reference date; a number of encounters of the information given in writing in said predetermined period; a number of searches for the information given, by the user, in said predetermined period; an average number of sentences in contents in which the user has encountered the information given in reading in said predetermined period; an average number of sentences in contents in which G user has encountered the information given in writing in said predetermined period; and a number of accesses to said at least one comprehension element, in said predetermined period.
  • the method comprises a construction of the machine learning model, by performing a determined number of construction iterations, each corresponding to an iteration of the learning assistance method, and each comprising the following steps:
  • the machine learning model can be built using the information and context data stored during certain iterations of the process, taking into account in particular whether or not the user has access to the elements of understanding.
  • the estimate of the knowledge index is equal to:
  • the first value is “0” and the second is “1".
  • the construction of the machine learning model is carried out again after a predetermined number of iterations of the learning assistance method and / or at a predetermined frequency.
  • the machine learning model can evolve over time, to improve learning as the number of iterations of the process grows, that is, as the knowledge base content increases.
  • a computer program product comprising program code instructions which, when they are executed by a computing machine, cause the computing machine to perform the aforementioned method. (in any of its various embodiments).
  • a non-transient, computer readable storage medium storing the aforementioned computer program product.
  • a computing machine configured to perform the above method (in any of its various embodiments).
  • FIG. 1 shows a simplified flowchart of the method according to the invention
  • FIG. 2 is an example of a forgetting curve, used in some iterations of step E5 in Figure 1;
  • FIG. 3 shows a simplified flowchart of the construction of the machine learning model used in some iterations of step E5 of Figure 1;
  • FIG. 4 shows the structure of a computing machine, according to a particular embodiment, configured to carry out the method of FIG. 1.
  • the method is implemented by a computing machine (also called a “system” in the remainder of the description), an exemplary structure of which is presented below, in relation to FIG. 4.
  • the computing machine implementing the method is integrated into, or confused with, the user's terminal (which is for example a fixed or portable personal computer, a digital tablet, a personal digital assistant, a smartphone, a workstation, etc. ).
  • the computing machine implementing the method is integrated into, or merged with, another device which cooperates with the user's terminal (such as a home gateway, also called an "Internet box").
  • a step E1 the computing machine scans, thanks to one or more probes, the user's activity on the terminal, comprising for example the contents of text and / or image and / or sound type that the user has received, sent or searched.
  • content is understood in particular, but not exclusively, an electronic mail, a message (instantaneous or not), a document, a search (carried out for example with a web browser), a thread of news from a social network, content published on a social network, etc.
  • GDPR general data protection regulations
  • a step E2 the computing machine analyzes the scanned content and attempts to extract therefrom information to be learned by the user.
  • the extraction is based for example on referential linguistic expressions (named entities) and simple and extended phrases.
  • this information also called “key elements” are for example the names of technologies, concepts, places, people, etc., or any other information (also called “knowledge” or “skill”) that may be of use to the user.
  • the computing machine detects an encounter of the user with one or more information (key elements), during use of the terminal.
  • information key elements
  • user encounter with given information we mean, for example, the presence of the information given in:
  • a test step E3 for a given item of information extracted in step E2 (that is to say for a meeting of the user with this given item of information), the computing machine determines whether there is already an entry for the information given in a knowledge base 1 (database) aggregating information (key elements) for the user. For this, the computing machine queries the knowledge base 1, as symbolized by the arrow referenced 2.
  • step E3 If no entry for the given information exists in the knowledge base (negative response to the test of step E3), the algorithm goes to step E7 in which the computing machine creates in the knowledge base 1 an entry for the given information, and stores with this entry at least one piece of information data relating to the given information and at least one context data item relating to the meeting.
  • step E7 the computing machine stores for example:
  • Step E7 is followed by step E8 in which the computing machine offers the user access to (at least) one element of understanding the information given.
  • the element of comprehension is chosen based on a value of the knowledge index.
  • element of comprehension is meant for example: a definition of the given information, an explanation of the given information, training on the given information, help relating to the given information, a learning element (written and / or oral and / or visual) of the information given, etc.
  • the comprehension element is structured in such a way that it comprises basic information which is supplemented or enriched according to a defined tree structure, the elements of this tree structure being selectable according to the value of the index of awareness.
  • the comprehension element can be structured by information of different size or quantity of data, in a data matrix for example.
  • This matrix is constructed by taking into account, for example, characteristics of the duration of reading of this element of comprehension or of complexity.
  • a comprehension element of greater or lesser reading time or of greater or less complexity may be selected from this matrix.
  • step E3 If an entry for the given information already exists in the knowledge base (positive response to the test of step E3), the algorithm goes to step E4 in which the computing machine stores in the knowledge base, with the existing entry, at least one (other) piece of context data relating to the meeting.
  • the computing machine calculates an index of knowledge (by the user) of the information given, according to the content of the knowledge base.
  • one and / or the other of two methods is used, for example, depending on the number of iterations of the process already carried out before the current iteration.
  • N 1000
  • the first method includes, for example, a calculation of the knowledge index based on:
  • a forgetting curve such as for example the Ebbinghaus curve 21 illustrated in FIG. 2. with the time on the abscissa and the retention percentage on the ordinate; the curve referenced 22 corresponds to the case where the user is reminded of the information at the various times mentioned on the abscissa (10 min, 1 day, 1 week, 1 month and 6 months); the double arrow referenced 23 illustrates the gain obtained after six months (that is to say the difference between the two aforementioned curves 21 and 22).
  • the second method includes, for example, the following steps to calculate the knowledge index:
  • the input data includes the following attributes:
  • context attributes calculated (filled in) with the context data such as for example the following attributes: o reference date, defined as the most recent date among the dates stored in the knowledge base for the given information (date ( s) of the user's encounter with the given information and date (s) of access or non-access to the element of understanding); o number of encounters of the information given in reading in a predetermined period preceding the reference date; o number of encounters with the information given in writing during the aforementioned period; o number of searches for the information given, by the user, in the aforementioned period; o average number of sentences in contents in which the user has encountered the information given in reading in the aforementioned period; o average number of sentences in contents in which the user has encountered the information given in writing during the aforementioned period; o number of accesses to the comprehension element, in the aforementioned period; o etc.
  • Step E5 is followed by a test step E6, in which the computing machine compares the knowledge index with a predetermined threshold. If the knowledge index is greater than or equal to the threshold, the algorithm returns to step El, for a new iteration of the process. If the knowledge index is below the threshold, the algorithm goes to step E8 already explained above (proposal for access to at least one element of understanding).
  • Step E8 is followed by a test step E9, in which the computing machine determines whether the user has accessed the understanding element.
  • step E10 the computing machine stores in the knowledge base (as symbolized by the arrow referenced 3), with the existing entry, at least one other context data item , relating to access.
  • step E10 the algorithm returns to step El, for a new iteration of the method.
  • step El i the computing machine stores in the knowledge base (as symbolized by the arrow referenced 4), with the existing entry, at least one other piece of data of context, relating to non-access.
  • step El i the algorithm returns to step El, for a new iteration of the process.
  • FIG 3 shows a simplified flowchart of the construction of the machine learning model, which model is used in some iterations of step E5 of Figure 1, as discussed above.
  • the construction of the model comprises a determined number M of construction iterations, each corresponding to one of the iterations of the learning aid method of Figure 1.
  • the computing machine In a step 31, the computing machine generates an input data item as defined above (see step E5 of FIG. 1), that is to say comprising the plurality of attributes (themselves determined as a function of information and context data stored, with the entry for the given information, in the knowledge base).
  • the computing machine determines an estimate of the knowledge index, as a function of the user's access or non-access to the comprehension element (see test step E9 of FIG. 1 ).
  • the estimate is equal to a first value (for example "0") indicating that the given information is not known to the user, in the event of the user having access to the comprehension element. (positive response to the test step E9), and to a second value (for example "1") indicating that the given information is known to the user, in the event of non-access by the user to the element of understanding (negative response to test step E9).
  • the computing machine provides the machine learning model with the input data, along with the known result (defined as the estimate of the knowledge index, calculated in step 32).
  • a test step 34 the computing machine determines whether the number M of construction iterations has been performed. If not, the algorithm returns to step 31, for a new iteration of construction. If so, the algorithm proceeds to finish step 35.
  • the construction method of Figure 3 can be performed again after a predetermined number of iterations of the method of Figure 1 (for example after the iterations M + 1 to 2M of Figure 1, then after the iterations 2M + 1 to 3M in Figure 1, and so on).
  • the construction process of Figure 3 can also be performed again at a predetermined frequency (eg once a week).
  • FIG. 4 presents an example of the structure of a computing machine 40 for carrying out (executing) the method of FIG. 1.
  • This structure comprises a random access memory 42 (for example a RAM memory), a read only memory 43 (for example a ROM memory or a hard disk) and a processing unit 41 (equipped for example with a processor, and controlled by a program. computer 430 stored in read only memory 43).
  • the code instructions of the computer program 430 are for example loaded into the random access memory 42 before being executed by the processor of the processing unit 41.
  • FIG. 4 illustrates only one particular way, among several possible, of implementing a computing machine to carry out (execute) the method.
  • the computing machine can be implemented indifferently in the form of a reprogrammable computing machine (a PC computer, a DSP processor or a microcontroller) executing a program comprising a sequence of instructions, or in the form of a dedicated computing machine (for example a set of logic gates such as an FPGA or an ASIC, or any other hardware module).
  • a reprogrammable computing machine a PC computer, a DSP processor or a microcontroller
  • a program comprising a sequence of instructions
  • a dedicated computing machine for example a set of logic gates such as an FPGA or an ASIC, or any other hardware module.
  • the corresponding program (that is to say the sequence of instructions) could be stored in a removable storage medium (such as for example a diskette, CD-ROM or DVD-ROM) or not, this storage medium being partially or totally readable by a computer or a processor.
  • a removable storage medium such as for example a diskette, CD-ROM or DVD-ROM
  • an attempt is made to resolve the following problem: how to identify / detect information not known or not well known (which may be forgotten) of the employee with regard to several criteria (for example, the time between a determined number of appearances (encounters) of this same information in its activities, the nature or the field associated with said information, ).
  • an employee of a company may receive an electronic message (e-mail) of such a nature as to contain: "For that you have to do a DMI".
  • DMI meaning “Request for Computing Means”
  • the learning aid process (see figure 1) will detect that the acronym DMI is not information known to the employee in question, and will be able to provide him with one or more elements of understanding (in this case an access to the tool allowing to formulate a request for IT resources).
  • the process aggregates in a database information that is the subject of learning (key elements) such as: names of technologies, concepts, locations, people or any other information that the employee encounters in his daily activities (e-mails , conversations on messaging (instantaneous or not), documents ... written or read) for a more or less long period and configurable according to his preferences or his profession.
  • key elements such as: names of technologies, concepts, locations, people or any other information that the employee encounters in his daily activities (e-mails , conversations on messaging (instantaneous or not), documents ... written or read) for a more or less long period and configurable according to his preferences or his profession.
  • the system By analyzing the employee's inputs over time such as the elements (content) he receives: e-mails, conversations, new documents read, the system detects the information contained in these entries and checks for the presence of this information. in the employee's knowledge base. If information detected in one of the content is not present in the knowledge base: the system considers this information to be potentially new, and therefore not known to the employee.
  • the system will calculate a knowledge index. This index is based on several criteria, for example: the time between two appearances of the information (which may suggest forgetting if this time is long), the domain associated with this information (network, project management, new technologies, etc. ), the nature of the information (IS tools, contact, organization, etc.), the context in which the information appears, etc.
  • the index will be calculated on the observation of the knowledge base of the employee and, in a particular embodiment, on the observation by the system of requests by the employee of additional information. (or on the contrary the absence of request for additional information) for domain information or of a similar nature.
  • the knowledge index is therefore specific to the information and specific to the user.
  • the knowledge base can be initialized by information to which the employee has given access over a given period. Then the index will be based on average memorization assumptions, such as those that can be seen on the Ebbinghaus Curve.
  • step El Consider the information (acronym) "APN" that the employee reads in an e-mail (step El). It is not present (step E3) in the knowledge base which contains information corresponding for example to one month (initialization from information from the history of e-mails, instant messages or others).
  • the system then stores (step E7) the following data (non-exhaustive list) in the knowledge base:
  • the system displays (E8) a proposal to access the definition of this acronym (information) to the user.
  • the system extrapolates and assumes that the user knows this information. It adds (Eli) to the knowledge base the following new context data (in particular context data indicating "Known information"), which will make it possible to produce the specific learning model associated with the employee:
  • the knowledge base contains too little information and data to extrapolate and calculate the knowledge index of the employee's system. He will therefore calculate (E5) the knowledge index on the basis of the Ebbinghaus curve.
  • step E3 If the user searches for the definition of information himself (acronym "APN" (El), the system will detect it (E2). If the information is not present (step E3) in the knowledge base, the system then stores (step E7) the following data in the knowledge base:
  • the system displays (E8) a proposal to access the definition of this acronym (information) to the user. See paragraph A above for the rest (depending on whether the user clicks on the definition or not, going to step E10 or Eli).
  • the knowledge base will thus be filled with information and data specific to the user and allow the production of a model capable of assigning a knowledge index to each item of information.
  • the data in the knowledge base is analyzed and allows the production of input data, for a classic process of construction (training) of the machine learning model.
  • Each input data item is accompanied by the associated known result (knowledge index is equal to “1” if the information is known or to "0" if the information is not known.
  • the construction algorithm then identifies trends in this input data and results, which will match the attributes of the input data to the result (target, i.e. the value of the knowledge index to predict, and it outputs a machine learning model that captures those trends.
  • the attributes (characteristics) to be taken into account to produce input data for the machine learning model are for example (non-exhaustive list):
  • the knowledge index is in the process the result, that is to say the qualitative variable to be predicted by learning.
  • Each input data item produced on analysis of the knowledge base is for example vectorized.
  • Each value of one of the attributes (characteristics) of an input data is reduced to a digital data to produce a vectorized input data.
  • AI classification-type artificial intelligence
  • the model will make it possible to obtain the knowledge index, a real value varying from 0 (which means that the information is not known) to 1 (which means that the information is known) for a new vectorized input data item making it possible to answer the question (with values entered for indications A to L): "what is the knowledge index of an item of information with label A, of domain B, of nature C, of type D, for which the last appearance (encounter) took place between E and F months, for which the number of appearances in reading took place G times, in writing H times, in a context of the appearance of more than I sentences in reading and J sentences in writing, for which definitions were read K times in the month preceding the last occurrence ...? ".
  • the chosen construction algorithm depends for example (“deep leaming”, “LSTM

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal, comprenant, lors d'une rencontre de l'utilisateur avec une information donnée, parmi la pluralité d'informations, au cours d'une utilisation du terminal : stockage (E4, 5 E7) dans une base de connaissance, d'une donnée de contexte relative à ladite rencontre, avec une entrée pour l'information donnée; détermination (E5) d'un indice de connaissance de l'information donnée, propre à l'utilisateur, en fonction de données de contexte enregistrées dans la base de connaissance avec l'entrée pour l'information donnée; et proposition (E8) d'accès à au moins un élément de compréhension de l'information donnée en fonction de l'indice de connaissance déterminé.

Description

DESCRIPTION
TITRE : Procédé d’aide à l’apprentissage d’une pluralité d’informations par un utilisateur d’un terminal.
1. DOMAINE TECHNIQUE
Le domaine de l’invention est celui de l’aide à l’apprentissage.
Plus précisément, l’invention concerne un procédé d’aide à l’apprentissage d’informations par un utilisateur d’un terminal.
Par « informations », on entend notamment, mais non exclusivement, des noms de technologies, des concepts, des lieux, des personnes, etc., ou toute autre information (aussi appelée « connaissance » ou « compétence ») pouvant être utile à l’utilisateur.
Par « terminal », on entend notamment, mais non exclusivement, un ordinateur personnel (fixe ou portable), une tablette numérique, un assistant numérique personnel, un smartphone, un poste de travail, etc., ou tout autre dispositif qu’un utilisateur peut utiliser pour recevoir, envoyer ou rechercher des contenus de type texte et/ou image et/ou son.
Par « contenu », on entend notamment, mais non exclusivement, un courrier électronique, un message (instantané ou non), un document, une recherche (effectuée par exemple avec un navigateur web), un fil d’actualité d’un réseau social, un contenu publié sur un réseau social, etc.
L’invention peut s’appliquer dans de nombreux domaines, par exemple :
• dans le domaine des entreprises, pour les salariés (en effet, les entreprises souhaitent former en continu les salariés et optimiser leur parcours d’apprentissage ; l’apprentissage est également au cœur des préoccupations des salariés qui souhaitent acquérir de nouvelles connaissances et se développer professionnellement de manière continue) ;
• dans le domaine de l’éducation, pour les élèves et les étudiants (sur leur poste de travail ils peuvent bénéficier de la solution proposée pour réduire les temps de recherche et centraliser les définitions remontées) ;
• dans le domaine du développement personnel, pour tout utilisateur (par exemple, la solution proposée permet à l’utilisateur d’un réseau social d’être informé, en temps réel ou en temps différé, dès qu’une nouvelle information (nouveau concept ou nouvel élément), jamais rencontrée précédemment, apparaît dans le fil d’actualités de son réseau social) ;
• etc.
2. ARRIÈRE-PLAN TECHNOLOGIQUE
Actuellement, l’apprentissage de nouvelles connaissances (informations, compétences) pour les salariés manipulant chaque jour énormément d’informations sur leur poste de travail (par exemple de type PC) ne se fait pas de manière assistée ou proactive. Lorsqu’il s’aperçoit d’un manque d’informations ou de compétences pour avancer dans une activité, c’est au salarié de faire ses propres recherches sur son poste de travail ou de demander de l’aide ou une formation spécifique. Il peut donc perdre du temps dans ce processus de recherche et d’apprentissage, voire ne pas trouver l’information souhaitée. De plus, débordé par la profusion de ces nouvelles informations, il peut également oublier de rechercher leur signification.
Une problématique proche ou similaire existe dans de nombreux domaines (domaine de l’éducation, domaine du développement personnel, etc.).
3. OBJECTIFS
L’invention, dans au moins un mode de réalisation, a notamment pour objectif de pallier ces différents inconvénients de l’état de la technique.
Plus précisément, dans au moins un mode de réalisation de l’invention, un objectif est de fournir une solution technique d’aide à l’apprentissage d’informations par l’utilisateur d’un terminal.
Au moins un mode de réalisation de l’invention a également pour objectif de fournir une telle solution qui soit simple à implémenter et facile d’utilisation.
Un autre objectif d’au moins un mode de réalisation de l’invention est de fournir une telle solution qui permette de limiter les ressources de calcul de la machine de calcul, ainsi que le trafic réseau vers et/ou depuis le terminal de l’utilisateur.
Un objectif complémentaire d’au moins un mode de réalisation de l’invention est de fournir une telle solution qui permette de s’adapter à la fois à l’utilisateur et à l’information à apprendre.
4. RÉSUMÉ Dans un mode de réalisation particulier de l’invention, il est proposé un procédé, mis en œuvre par une machine de calcul, d’aide à l’apprentissage d’une pluralité d’informations par un utilisateur d’un terminal. Le procédé comprend, lors d’une rencontre de l’utilisateur avec une information donnée, parmi la pluralité d’informations, au cours d’une utilisation du terminal : o stockage dans une base de connaissance, d’une donnée de contexte relative à ladite rencontre, avec une entrée pour l’information donnée; o détermination d’un indice de connaissance de l’information donnée, propre à l’utilisateur, en fonction de données de contexte enregistrées dans la base de connaissance avec l’entrée pour l’information donnée ; et o proposition d’accès à au moins un élément de compréhension de l’information donnée en fonction de l’indice de connaissance déterminé.
Ainsi, la solution proposée propose une approche tout à fait nouvelle et inventive, consistant en un procédé d’aide à l’apprentissage qui est mis en œuvre dans une machine de calcul. Elle vise à identifier les informations qui peuvent être non connues, ou tout simplement oubliées, du salarié (mais pouvant être importantes, par exemple dans la nature de son métier) en déterminant un indice (ou degré) de connaissance pour chacune de ces informations. La solution proposée vise donc à proposer à l’utilisateur des éléments de compréhension en fonction de l’indice de connaissance déterminé. Ainsi, si l’indice de connaissance est jugé trop faible (par exemple parce qu’il est inférieur à un seuil), des éléments de compréhension sont proposés à l’utilisateur alors que si l’indice de connaissance est élevé, aucun élément de compréhension n’est proposé.
Ainsi, un avantage de la solution proposée est qu’elle permet de limiter les ressources de calcul utilisées par la machine de calcul, ainsi que le trafic réseau vers et/ou depuis le terminal de l’utilisateur, puisque le nombre de notifications, pour proposer à l’utilisateur d’accéder aux éléments de compréhension puis pour fournir ces éléments de compréhension (si l’utilisateur le souhaite), est limité (la machine de calcul sélectionne de manière automatique les informations pour lesquelles il est nécessaire de proposer des éléments de compréhension).
L’apprentissage de l’utilisateur est amélioré. De plus, en adaptant les éléments de compréhension en fonction de l’indice de connaissance, par exemple en réduisant la taille de l’élément de compréhension choisi, cela permet également de limiter le trafic réseau. Par exemple, pour une valeur de l’indice indiquant que l’information donnée est non connue de l’utilisateur (par exemple la valeur 0 ou une valeur proche de 0), l’élément de compréhension proposé est une formation initiale complète, tandis que pour une valeur de l’indice proche d’un seuil (par exemple 0,45 » si le seuil est égal à 0,5) et indiquant que l’information donnée est possiblement oubliée de l’utilisateur, l’élément de compréhension proposé est par exemple une formation plus courte (ou bien un simple rappel de définition).
Un avantage de la solution proposée est qu’elle est simple à implémenter puisqu’il suffît, outre le terminal dont dispose déjà l’utilisateur, d’une machine de calcul (éventuellement celle déjà présente dans le terminal) coopérant avec une base de connaissance (base de données).
Un autre avantage de la solution proposée est qu’elle est facile d’utilisation puisque l’utilisateur se voit proposer des accès à des éléments de compréhension, pour des informations que la machine de calcul a elle-même sélectionnées de manière automatique, en fonction de l’indice de connaissance déterminé.
Un autre avantage de la solution proposée est qu’elle permet de s’adapter à la fois à l’utilisateur (puisque l’indice de connaissance est fonction du contenu de la base de connaissance, qui dépend lui-même des choix de l’utilisateur d’accéder ou non aux éléments de compréhension proposés) et à l’information à apprendre (puisque l’indice de connaissance est spécifique à une information donnée ; en d’autres termes, chacune des informations est associée à son propre indice de connaissance). Ainsi, la solution proposée permet de prendre en compte les facilités ou au contraire les difficultés que chaque utilisateur peut rencontrer dans des domaines de compétences particuliers (c'est-à-dire pour des informations particulières à apprendre).
Selon une caractéristique particulière, en cas d’accès, respectivement de non- accès, de l’utilisateur audit au moins un élément de compréhension, le procédé comprend un stockage, avec ladite entrée, d’au moins une donnée de contexte relative audit accès, respectivement audit non-accès.
Ainsi, le contenu de la base de connaissance est plus riche, ce qui permet d’améliorer encore le calcul de l’indice de connaissance. Selon une caractéristique particulière, la rencontre de rutilisateur avec rinformation donnée appartient au groupe comprenant :
• présence de l’information donnée dans un courrier électronique écrit ou lu par l’utilisateur avec le terminal ;
• présence de l’information donnée dans un message, instantané ou non, écrit ou lu par l’utilisateur avec le terminal ;
• présence de l’information donnée dans un document écrit ou lu par l’utilisateur avec le terminal ;
• présence de l’information donnée dans une recherche effectuée par l’utilisateur avec le terminal ;
• présence de l’information donnée dans un fil d’actualité, d’un réseau social, lu par l’utilisateur avec le terminal ;
• présence de l’information donnée dans un contenu publié sur un réseau social par l’utilisateur avec le terminal ; et
• présence de l’information donnée dans un contenu textuel et/ou visuel et/ou sonore, reçu, transmis ou recherché par l’utilisateur avec le terminal.
Ainsi, la solution proposée peut tenir compte de la grande diversité dans les rencontres que G utilisateur peut faire avec une information donnée. Elle est efficace même si l’utilisateur manipule une grande quantité d’informations. La liste de types de rencontres n’est pas exhaustive.
Selon une caractéristique particulière, ledit au moins un élément de compréhension appartient au groupe comprenant :
• une définition de l’information donnée ;
• une explication de l’information donnée ;
• une formation sur l’information donnée ;
• une aide relative à l’information donnée ; et
• un élément d’apprentissage, écrit et/ou oral et/ou visuel, de l’information donnée. De cette façon, la solution proposée peut offrir une grande diversité dans les éléments de compréhension proposés à l’utilisateur pour son apprentissage d’une information donnée. La liste de types d’éléments de compréhension n’est pas exhaustive. Selon une caractéristique particulière, ladite au moins une donnée d’information appartient au groupe comprenant :
• un libellé de l’information donnée ;
• un domaine auquel appartient l’information donnée ;
• une nature de l’information donnée ; et
• un type de l’information donnée.
Plus le nombre de données d’information gérées est grand (c'est-à-dire plus l’information est précisée), plus l’indice de connaissance peut être calculé finement. Par « type de la rencontre de l’utilisateur avec l’information donnée », on entend par exemple un choix parmi « lecture », « écriture » et « recherche » (liste non exhaustive).
Selon une caractéristique particulière, les données de contexte appartiennent au groupe comprenant :
• un type de contexte indiquant un type de la rencontre de l’utilisateur avec l’information donnée ou indiquant ladite proposition d’accès audit au moins un élément de compréhension ;
• une date de la rencontre de l’utilisateur avec l’information donnée ou de l’accès ou du non-accès audit au moins un élément de compréhension ; et
• un nombre de phrase d’un contenu dans lequel l’utilisateur a rencontré l’information donnée.
De même que pour les données d’information, plus le nombre de données de contexte gérées est grand (c'est-à-dire plus l’information est précisée), plus l’indice de connaissance peut être calculé finement.
Selon une caractéristique particulière, la détermination de l’indice de connaissance est fonction :
• d’un délai depuis une dernière rencontre de l’utilisateur avec l’information donnée, ledit délai étant calculé en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ; et
• d’une courbe d’oubli.
De cette façon, l’indice de connaissance peut être calculé facilement lors d’un certain nombre de premières itérations du procédé d’aide à l’apprentissage et tant que la base de connaissance n’est pas suffisamment remplie pour qu’un calcul d’indice basé sur un modèle d’apprentissage machine (voir détail ci-après) soit considéré comme acceptable.
Selon une caractéristique particulière, la détermination de l’indice de connaissance utilise un modèle d’apprentissage machine et comprend :
• génération d’une donnée d’entrée, comprenant une pluralité d’attributs eux- mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ;
• fourniture de ladite donnée d’entrée au modèle d’apprentissage machine ; et
• calcul par le modèle d’apprentissage machine d’un résultat constituant l’indice de connaissance.
Grâce au recours à un modèle d’apprentissage machine (aussi appelé « apprentissage automatique » ou « machine leaming »), l’indice de connaissance peut être calculé de manière performante et en se basant sur plusieurs critères (correspondant aux différentes données d’information et de contexte).
Selon une caractéristique particulière, les attributs compris dans la donnée d’entrée appartiennent au groupe comprenant :
• au moins un attribut d’information, renseigné avec ladite au moins une donnée d’information ; et
• au moins un attribut de contexte, renseigné avec les données de contexte et appartenant au groupe comprenant : o une date de référence, définie comme la date la plus récente parmi une ou plusieurs date(s) de rencontre de l’information donnée et une ou plusieurs date(s) de proposition d’accès audit au moins un élément de compréhension ; o un nombre de rencontres de l’information donnée en lecture dans une période prédéterminée précédant la date de référence ; o un nombre de rencontres de l’information donnée en écriture dans ladite période prédéterminée ; o un nombre de recherche de l’information donnée, par l’utilisateur, dans ladite période prédéterminée ; o un nombre moyen de phrases dans des contenus dans lesquels rutilisateur a rencontré l’information donnée en lecture dans ladite période prédéterminée ; o un nombre moyen de phrases dans des contenus dans lesquels G utilisateur a rencontré l’information donnée en écriture dans ladite période prédéterminée ; et o un nombre d’accès audit au moins un élément de compréhension, dans ladite période prédéterminée.
Plus le nombre d’attributs gérés dans la donnée d’entrée est grand, plus l’indice de connaissance peut être calculé finement. Cette liste d’attributs n’est pas exhaustive.
Selon une caractéristique particulière, le procédé comprend une construction du modèle d’apprentissage machine, en effectuant un nombre déterminé d’itérations de construction, correspondant chacune à une itération du procédé d’aide à l’apprentissage, et comprenant chacune les étapes suivantes :
• génération de ladite donnée d’entrée, comprenant ladite pluralité d’attributs eux- mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ;
• détermination d’une estimation de l’indice de connaissance, en fonction de l’accès ou du non-accès de l’utilisateur audit au moins un élément de compréhension ;
• fourniture au modèle d’apprentissage machine de ladite donnée d’entrée et d’un résultat connu, défini comme ladite estimation de l’indice de connaissance.
Ainsi, le modèle d’apprentissage machine peut être construit grâce aux données d’information et de contexte stockées lors de certaines itérations du procédé, en tenant compte notamment de l’accès ou non par l’utilisateur aux éléments de compréhension.
Selon une caractéristique particulière, l’estimation de l’indice de connaissance est égale à :
• une première valeur indiquant que l’information donnée est non connue de l’utilisateur, en cas d’accès de l’utilisateur audit au moins un élément de compréhension ; et • une deuxième valeur indiquant que l’information donnée est connue de l’utilisateur, en cas de non-accès de l’utilisateur audit au moins un élément de compréhension.
Par exemple, la première valeur est « 0 » et la deuxième est « 1 ».
Selon une caractéristique particulière, la construction du modèle d’apprentissage machine est effectuée à nouveau après un nombre prédéterminé d’itérations du procédé d’aide à l’apprentissage et/ou à une fréquence prédéterminée.
De cette façon, le modèle d’apprentissage machine peut évoluer dans le temps, pour améliorer l’apprentissage au fur et à mesure où le nombre d’itérations du procédé grandit, c'est-à-dire au fur et à mesure où le contenu de la base de connaissance augmente.
Dans un autre mode de réalisation de l'invention, il est proposé un produit programme d'ordinateur comprenant des instructions de code de programme qui, quand elles sont exécutées par une machine de calcul, provoquent la réalisation par la machine de calcul du procédé précité (dans l’un quelconque de ses différents modes de réalisation).
Dans un autre mode de réalisation de l'invention, il est proposé un médium de stockage lisible par ordinateur et non transitoire, stockant le produit programme d’ordinateur précité.
Dans un autre mode de réalisation de l’invention, il est proposé une machine de calcul configurée pour réaliser le procédé précité (dans l’un quelconque de ses différents modes de réalisation).
5. LISTE DES FIGURES
D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description suivante, donnée à titre d’exemple indicatif et non limitatif, et des dessins annexés, dans lesquels :
[Fig. 1] présente un organigramme simplifié du procédé selon l’invention ;
[Fig. 2] est un exemple de courbe d’oubli, utilisée dans certaines itérations de l’étape E5 de la figure 1 ;
[Fig. 3] présente un organigramme simplifié de la construction du modèle d’apprentissage machine utilisé dans certaines itérations de l’étape E5 de la figure 1 ; et
[Fig. 4] présente la structure d'une machine de calcul, selon un mode de réalisation particulier, configurée pour réaliser le procédé de la figure 1. 6. DESCRIPTION DÉTAILLÉE
Sur toutes les figures du présent document, les éléments et étapes identiques sont désignés par une même référence numérique.
On présente maintenant, en relation avec l’organigramme de la figure 1. un mode de réalisation particulier du procédé selon l’invention d’aide à l’apprentissage d’informations par un utilisateur d’un terminal.
Le procédé est mis en œuvre par une machine de calcul (aussi appelée « système » dans la suite de la description) dont un exemple de structure est présenté plus bas, en relation avec la figure 4. Dans une première implémentation, la machine de calcul mettant en œuvre le procédé est intégrée dans, ou confondue avec, le terminal de l’utilisateur (qui est par exemple un ordinateur personnel fixe ou portable, une tablette numérique, un assistant numérique personnel, un smartphone, un poste de travail, etc.). Dans une deuxième implémentation, la machine de calcul mettant en œuvre le procédé est intégrée dans, ou confondue avec, un autre dispositif qui coopère avec le terminal de l’utilisateur (comme par exemple une passerelle domestique, aussi appelée « box Internet »).
Dans une étape El, la machine de calcul scrute, grâce à une ou plusieurs sondes, l’activité de l’utilisateur sur le terminal, comprenant par exemple les contenus de type texte et/ou image et/ou son que l’utilisateur a reçus, envoyés ou recherchés. Comme déjà mentionné plus haut, par « contenu », on entend notamment, mais non exclusivement, un courrier électronique, un message (instantané ou non), un document, une recherche (effectuée par exemple avec un navigateur web), un fil d’actualité d’un réseau social, un contenu publié sur un réseau social, etc. Dans cette étape El, on suppose que les droits d’accès aux données des activités professionnelles de l’utilisateur en local sont autorisés dans le respect du règlement général sur la protection des données (RGPD).
Dans une étape E2, la machine de calcul analyse les contenus scrutés et tente d’en extraire des informations devant faire l’objet d’un apprentissage par l’utilisateur. L’extraction s’appuie par exemple sur des expressions linguistiques référentielles (entités nommées) et des locutions simples et étendues. Comme déjà mentionné plus haut, ces informations (aussi appelées « éléments clés ») sont par exemple des noms de technologies, des concepts, des lieux, des personnes, etc., ou toute autre information (aussi appelée « connaissance » ou « compétence ») pouvant être utile à l’utilisateur.
En d’autres termes, la machine de calcul détecte une rencontre de l’utilisateur avec une ou plusieurs informations (éléments clés), au cours d’une utilisation du terminal. Par « rencontre de l’utilisateur avec une information donnée », on entend par exemple la présence de l’information donnée dans :
• un courrier électronique écrit ou lu par l’utilisateur avec le terminal ;
• un message, instantané ou non, écrit ou lu par l’utilisateur avec le terminal ;
• un document écrit ou lu par l’utilisateur avec le terminal ;
• une recherche effectuée par l’utilisateur avec le terminal ;
• un fil d’actualité, d’un réseau social, lu par l’utilisateur avec le terminal ;
• un contenu publié sur un réseau social par l’utilisateur avec le terminal ;
• un contenu textuel et/ou visuel et/ou sonore, reçu, transmis ou recherché par l’utilisateur avec le terminal (comme par exemple la lecture d’une page d’accueil d’un site web interne (Intranet)) ;
• etc.
Dans une étape de test E3, pour une information donnée extraite à l’étape E2 (c'est-à-dire pour une rencontre de l’utilisateur avec cette information donnée), la machine de calcul détermine s’il existe déjà une entrée pour l’information donnée dans une base de connaissance 1 (base de données) agrégeant des informations (éléments clés) pour l’utilisateur. Pour cela, la machine de calcul interroge la base de connaissance 1, comme symbolisé par la flèche référencée 2.
Si aucune entrée pour l’information donnée n’existe dans la base de connaissance (réponse négative au test de l’étape E3), l’algorithme passe à l’étape E7 dans laquelle la machine de calcul crée dans la base de connaissance 1 une entrée pour l’information donnée, et stocke avec cette entrée au moins une donnée d’information relative à l’information donnée et au moins une donnée de contexte relative à la rencontre.
Dans l’étape E7, la machine de calcul stocke par exemple :
• les données d’information suivantes : o libellé de l’information donnée, o domaine auquel appartient l’information donnée, o nature de l’information donnée, o type de l’information donnée ; et • les données de contexte suivantes : o type de contexte, indiquant soit le type de la rencontre de l’utilisateur avec l’information donnée (par exemple, « lecture », écriture » ou « recherche ») soit qu’il s’agit d’une proposition de la machine de calcul pour un accès à l’élément de compréhension ; o date de la rencontre de l’utilisateur avec l’information donnée ou de l’accès ou du non-accès à l’élément de compréhension ; o nombre de phrases du contenu dans lequel G utilisateur a rencontré l’information donnée.
L’étape E7 est suivie d’une étape E8 dans laquelle la machine de calcul propose à l’utilisateur d’accéder à (au moins) un élément de compréhension de l’information donnée. Dans une implémentation particulière, l’élément de compréhension est choisi en fonction d’une valeur de l’indice de connaissance. Par « élément de compréhension », on entend par exemple : une définition de l’information donnée, une explication de l’information donnée, une formation sur l’information donnée, une aide relative à l’information donnée, un élément d’apprentissage (écrit et/ou oral et/ou visuel) de l’information donnée, etc.
Dans une implémentation particulière, l’élément de compréhension est structuré de telle manière qu’il comporte une information de base qui est complétée ou enrichie selon une arborescence définie, les éléments de cette arborescence étant sélectionnables en fonction de la valeur de l’indice de connaissance.
Dans une autre implémentation possible, l’élément de compréhension peut être structuré par des informations de taille ou de quantité de données différentes, dans une matrice de données par exemple. Cette matrice est construite en prenant en compte par exemple des caractéristiques de durée de lecture de cet élément de compréhension ou bien de complexité. Ainsi, selon la valeur de l’indice de connaissance, un élément de compréhension de durée de lecture plus ou moins grande ou de complexité plus ou moins grande pourra être sélectionné dans cette matrice.
Ainsi plus l’indice de connaissance est faible et plus l’élément de compréhension devra être complet, et donc avoir un temps de lecture plus important et/ou une taille plus importante et inversement lorsque l’indice de connaissance est élevé.
Si une entrée pour l’information donnée existe déjà dans la base de connaissance (réponse positive au test de l’étape E3), l’algorithme passe à l’étape E4 dans laquelle la machine de calcul stocke dans la base de connaissance, avec l’entrée existante, au moins une (autre) donnée de contexte relative à la rencontre.
Puis, dans une étape E5, la machine de calcul calcule un indice de connaissance (par l’utilisateur) de l’information donnée, en fonction du contenu de la base de connaissance.
Pour le calcul de l’indice de connaissance, on utilise par exemple l’une et/ou l’autre de deux méthodes, en fonction du nombre d’itération du procédé déjà effectuées avant l’itération courante. Par exemple, pour les N premières itérations (dans une implémentation particulière, N=1000), on utilise une première méthode basée sur une courbe de l’oubli, et pour les itérations suivantes, on utilise une deuxième méthode basée sur un modèle d’apprentissage machine.
La première méthode comprend par exemple un calcul de l’indice de connaissance en fonction :
• d’un délai depuis une dernière rencontre de l’utilisateur avec l’information donnée ; ce délai est calculé par la machine de calcul en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance 1 ; et
• d’une courbe d’oubli, comme par exemple la courbe d’Ebbinghaus 21 illustrée sur la figure 2. avec en abscisse le temps et en ordonnée le pourcentage de rétention ; la courbe référencée 22 correspond au cas où l’utilisateur se voit rappeler l’information aux différents instant mentionnés en abscisse (10 min, 1 jour, 1 semaine, 1 mois et 6 mois) ; la double flèche référencée 23 illustre le gain obtenu au bout de six mois (c'est-à-dire la différence entre les deux courbes précitées 21 et 22).
La deuxième méthode comprend par exemple les étapes suivantes pour calculer l’indice de connaissance :
• génération d’une donnée d’entrée, comprenant une pluralité d’attributs eux- mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ;
• fourniture de la donnée d’entrée au modèle d’apprentissage machine ; et
• calcul par le modèle d’apprentissage machine d’un résultat constituant l’indice de connaissance (la construction de ce modèle est discutée en détail plus bas, en relation avec la figure 3).
Dans une implémentation particulière, la donnée d’entrée comprend les attributs suivants :
• attributs correspondant directement aux données d’information (dans l’exemple donné plus haut : libellé, domaine, nature et type de l’information donnée) et donc renseignés par les valeurs de celles-ci ; et
• attributs de contexte calculés (renseignés) avec les données de contexte, comme par exemple les attributs suivants : o date de référence, définie comme la date la plus récente parmi les dates stockées dans la base de connaissance pour l’information donnée (date(s) de la rencontre de l’utilisateur avec l’information donnée et date(s) l’accès ou du non-accès à l’élément de compréhension) ; o nombre de rencontres de l’information donnée en lecture dans une période prédéterminée précédant la date de référence ; o nombre de rencontres de l’information donnée en écriture dans la période précitée ; o nombre de recherche de l’information donnée, par l’utilisateur, dans la période précitée ; o nombre moyen de phrases dans des contenus dans lesquels l’utilisateur a rencontré l’information donnée en lecture dans la période précitée ; o nombre moyen de phrases dans des contenus dans lesquels rutilisateur a rencontré l’information donnée en écriture dans la période précitée ; o nombre d’accès à l’élément de compréhension, dans la période précitée ; o etc.
L’étape E5 est suivie d’une étape de test E6, dans laquelle la machine de calcul compare l’indice de connaissance à un seuil prédéterminé. Si l’indice de connaissance est supérieur ou égal au seuil, l’algorithme revient à l’étape El, pour une nouvelle itération du procédé. Si l’indice de connaissance est inférieur au seuil, l’algorithme passe à l’étape E8 déjà expliquée plus haut (proposition d’accès à au moins un élément de compréhension) .
L’étape E8 est suivie d’une étape de test E9, dans laquelle la machine de calcul détermine si l’utilisateur a accédé à l’élément de compréhension.
En cas d’accès, l’algorithme passe à l’étape E10 dans laquelle la machine de calcul stocke dans la base de connaissance (comme symbolisé par la flèche référencée 3), avec l’entrée existante, au moins une autre donnée de contexte, relative à l’accès. Après l’étape E10, l’algorithme revient à l’étape El, pour une nouvelle itération du procédé.
En cas de non-accès, l’algorithme passe à l’étape El i dans laquelle la machine de calcul stocke dans la base de connaissance (comme symbolisé par la flèche référencée 4), avec l’entrée existante, au moins une autre donnée de contexte, relative au non-accès. Après l’étape El i, l’algorithme revient à l’étape El, pour une nouvelle itération du procédé.
La figure 3 présente un organigramme simplifié de la construction du modèle d’apprentissage machine, ce modèle étant utilisé dans certaines itérations de l’étape E5 de la figure 1 , comme discuté plus haut.
La construction du modèle comprend un nombre déterminé M d’itérations de construction, correspondant chacune à une des itérations du procédé d’aide à l’apprentissage de la figure 1.
Dans une implémentation particulière, les M itérations de construction correspondent aux N premières itérations du procédé de la figure 1 (par exemple N=M=1000). Ceci signifie que pendant la construction du modèle, le calcul de l’indice de connaissance, à l’étape E5 de la figure 1, est effectué en utilisant la première méthode précitée (basée sur une courbe de l’oubli).
Dans une étape 31, la machine de calcul génère une donnée d’entrée telle que définie plus haut (voir étape E5 de la figure 1), c'est-à-dire comprenant la pluralité d’attributs (eux-mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance).
Dans une étape 32, la machine de calcul détermine une estimation de l’indice de connaissance, en fonction de l’accès ou du non-accès de l’utilisateur à l’élément de compréhension (voir étape de test E9 de la figure 1). Dans une implémentation particulière, l’estimation est égale à une première valeur (par exemple « 0 ») indiquant que l’information donnée est non connue de l’utilisateur, en cas d’accès de l’utilisateur à l’élément de compréhension (réponse positive à l’étape de test E9), et à une deuxième valeur (par exemple « 1 ») indiquant que l’information donnée est connue de l’utilisateur, en cas de non-accès de l’utilisateur à l’élément de compréhension (réponse négative à l’étape de test E9).
Dans une étape 33, la machine de calcul fournit au modèle d’apprentissage machine la donnée d’entrée, accompagnée du résultat connu (défini comme l’estimation de l’indice de connaissance, calculée à l’étape 32).
Dans une étape de test 34, la machine de calcul détermine si le nombre M d’itérations de construction a été effectué. Dans la négative, l’algorithme revient à l’étape 31, pour une nouvelle itération de construction. Dans l’affirmative, l’algorithme passe à l’étape de fin 35.
Le procédé de construction de la figure 3 peut être effectué à nouveau après un nombre prédéterminé d’itérations du procédé de la figure 1 (par exemple après les itérations M+l à 2M de la figure 1, puis après les itérations 2M+1 à 3M de la figure 1, et ainsi de suite). Le procédé de construction de la figure 3 peut aussi être effectué à nouveau à une fréquence prédéterminée (par exemple une fois par semaine).
La figure 4 présente un exemple de structure d'une machine de calcul 40 pour réaliser (exécuter) le procédé de la figure 1. Cette structure comprend une mémoire vive 42 (par exemple une mémoire RAM), une mémoire morte 43 (par exemple une mémoire ROM ou un disque dur) et une unité de traitement 41 (équipée par exemple d'un processeur, et pilotée par un programme d'ordinateur 430 stocké dans la mémoire morte 43). A l'initialisation, les instructions de code du programme d'ordinateur 430 sont par exemple chargées dans la mémoire vive 42 avant d'être exécutées par le processeur de l'unité de traitement 41.
Cette figure 4 illustre seulement une manière particulière, parmi plusieurs possibles, d’implémenter une machine de calcul pour réaliser (exécuter) le procédé. En effet, la machine de calcul s’implémente indifféremment sous la forme d’une machine de calcul reprogrammable (un ordinateur PC, un processeur DSP ou un microcontrôleur) exécutant un programme comprenant une séquence d’instructions, ou sous la forme d’une machine de calcul dédiée (par exemple un ensemble de portes logiques comme un FPGA ou un ASIC, ou tout autre module matériel).
Dans le cas d’une implémentation sous la forme d’une machine de calcul reprogrammable, le programme correspondant (c'est-à-dire la séquence d’instructions) pourra être stocké dans un médium de stockage amovible (tel que par exemple une disquette, un CD-ROM ou un DVD-ROM) ou non, ce médium de stockage étant lisible partiellement ou totalement par un ordinateur ou un processeur.
Exemple applicatif : cas de l’aide à l’apprentissage d’un salarié
Dans le présent exemple applicatif, on tente de résoudre la problématique suivante : comment identifier/détecter une information non connue ou mal connue (pouvant être oubliée) du salarié au regard de plusieurs critères (par exemple, le délai entre un nombre déterminé d’apparitions (rencontres) de cette même information dans ses activités, la nature ou le domaine associé à ladite information, ...).
Par exemple, un salarié d’une entreprise peut recevoir un message électronique (e- mail) de nature à contenir : « Pour cela il faut que tu fasses une DMI ». Si l’acronyme DMI (signifiant « Demande de Moyens Informatiques ») n’est pas une information connue du salarié, il risque fort d’être dans l’incapacité de réaliser l’action souhaitée. Le procédé d’aide à l’apprentissage (voir figure 1) va détecter que l’acronyme DMI n’est pas une information connue du salarié en question, et va pouvoir lui fournir un ou plusieurs éléments de compréhension (dans le cas présent un accès vers l’outil permettant de formuler une demande de moyens informatiques).
Construction de la base de connaissance
Le procédé agrège dans une base de données des informations faisant l’objet de l’apprentissage (éléments clés) telles que : noms de technologies, concepts, lieus, personnes ou tout autre information que le salarié rencontre dans ses activités quotidiennes (e-mails, conversations sur messagerie (instantanée ou non), documents... écrits ou lus) pendant une période plus ou moins longue et configurable selon ses préférences ou son métier.
Les dates de rencontre de l’information par le salarié sont également répertoriées dans cette base de connaissance. Et la nature du contexte de rencontre notamment : est-ce dans les e-mails entrants ? Est-ce une recherche manuelle de l’information par le salarié ? Est-ce que la définition (constituant un élément de compréhension) de cette information proposée par le système (aussi appelé plus haut « machine de calcul ») a été lue ?
Ces données de contexte serviront à calculer l’indice de connaissance de cette information par le salarié.
Détection d’une information nouvelle ou possiblement oubliée
En analysant les entrées du salarié au fil de l’eau telles que les éléments (contenus) qu’il reçoit : e-mails, conversations, nouveaux documents lus, le système détecte les informations contenues dans ces entrées et vérifie la présence de ces informations dans la base de connaissances du salarié. Si une information détectée dans un des contenus n’est pas présente dans la base de connaissance : le système considère que cete information est potentiellement nouvelle, donc non connue du salarié.
Si l’information est déjà présente dans la base de connaissance, le système va calculer un indice de connaissance. Cet indice se base sur plusieurs critères, par exemple : le délai entre deux apparitions de l’information (pouvant suggérer un oubli si ce délai est long), le domaine associé à cette information (réseau, gestion de projet, nouvelles technologies, etc.), la nature de l’information (outils du SI, contact, organisation etc.), le contexte d’apparition de l’information, etc. L’indice sera calculé sur l’observation de la base de connaissance du salarié et, dans un mode de réalisation particulier, sur l’observation par le système de demandes par le salarié d’informations supplémentaires (ou au contraire l’absence de demande d’informations supplémentaires) pour des informations de domaine ou de nature similaire. L’indice de connaissance est donc spécifique à l’information et propre à l’utilisateur.
Au démarrage du procédé, la base de connaissance peut être initialisée par des informations dont le salarié a donné accès sur une période donnée. Puis l’indice se basera sur des hypothèses de mémorisation moyennes, telles que celles que l’on peut voir sur la Courbe d’Ebbinghaus.
Principes de construction de la base de connaissance du salarié
A) Considérons l’information (acronyme) « APN » que le salarié lit dans un e- mail (étape El). Elle n’est pas présente (étape E3) dans la base de connaissance qui contient des informations correspondant par exemple à un mois (initialisation à partir d’informations issues de l’historique des e-mails, messages instantanés ou autres).
Le système stocke alors (étape E7) les données suivantes (liste non exhaustive) dans la base de connaissance :
- Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : Cl
* Lecture de l’élément
* Dans un e-mail
* De 20 phrases
* Date d’apparition : XXXX.
Le système affiche (E8) une proposition d’accès à la définition de cet acronyme (information) à l’utilisateur.
Si l’utilisateur clique sur la définition (c'est-à-dire accède à l’élément de compréhension), le système considère que la définition lui était utile et ajoute (E10) dans la base de connaissance les nouvelles données de contexte suivantes (notamment une donnée de contexte indiquant « Information non connue »), qui permettront de produire un modèle d’apprentissage spécifique associé au salarié : - Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C2
* Définition proposée par le système
* Date d’apparition : XXXX
* Information non connue (car définition lue par le salarié).
Si l’utilisateur ne clique pas sur la définition (c'est-à-dire n’accède pas à l’élément de compréhension), le système extrapole et considère que l’utilisateur connaît cette information. Il ajoute (Eli) dans la base de connaissance les nouvelles données de contexte suivantes (notamment une donnée de contexte indiquant « Information connue »), qui permettront de produire le modèle d’apprentissage spécifique associé au salarié :
- Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C2’
* Définition proposée par le système
* Date d’apparition : XXXX
* Information connue (car définition non lue par le salarié).
B) On suppose qu’un mois après, Tutilisateur lit l’acronyme (information) « APN » dans un message instantané (IM). Le système détecte (E3) que l’information existe dans la base de connaissance et ajoute (E4) dans la base de connaissance les nouvelles données de contexte suivantes :
- Libelle : APN
- Domaine : réseau mobile
- Nature : Technologie - Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C3
* Lecture de l’élément
* Dans un IM
* De 1 phrase
* Date d’apparition : XXXX
A ce stade, la base de connaissance contient trop peu d’informations et de données pour extrapoler et calculer l’indice sur la connaissance qu’a le système du salarié. Il va donc calculer (E5) l’indice de connaissance sur la base de la courbe d’Ebbinghaus.
L’information (acronyme « APN ») n’a pas été vu depuis un mois : lors de l’affichage de la définition de l’information. Le système considère que, dans ces conditions (délai d’un mois), 20% de l’information ont été retenus : l’indice est donc affecté à 0,2. Le système affiche à nouveau la définition (E8).
Si l’utilisateur clique sur la définition (c'est-à-dire accède à l’élément de compréhension), le système considère que la définition lui était utile et ajoute (E10) dans la base de connaissance les nouvelles données de contexte suivantes (notamment une donnée de contexte indiquant « Information non connue ») :
- Libelle : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C4
* Définition proposée par le système
* Date d’apparition : XXXX...
* Information non connue (car définition lue par le salarié).
Si l’utilisateur ne clique pas sur la définition (c'est-à-dire n’accède pas à l’élément de compréhension), le système extrapole et considère que l’utilisateur connaît cette information. Il ajoute (Eli) dans la base de connaissance les nouvelles données de contexte suivantes (notamment une donnée de contexte indiquant « Information connue ») :
- Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C4’
* Définition proposée par le système
* Date d’apparition : XXXX...
* Information connue (car définition non lue par le salarié).
C) Si l’utilisateur recherche lui-même la définition de l’information (acronyme « APN ») (El), le système le détecte (E2). Si l’information n’est pas présente (étape E3) dans la base de connaissance, le système stocke alors (étape E7) les données suivantes dans la base de connaissance :
- Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Contexte d’apparition :
* Identifiant de contexte : C5
* Recherche de l’élément
* Via un outil de recherche
* De 1 phrase
* Date d’apparition : XXXX
* Information non connue
Le système affiche (E8) une proposition d’accès à la définition de cet acronyme (information) à l’utilisateur. Voir paragraphe A plus haut pour la suite (selon que l’utilisateur clique ou non sur la définition, passage à l’étape E10 ou Eli).
Production du modèle d’apprentissage machine (via les algorithmes d’IA) pour calculer l’indice de connaissance d’une information La base de connaissance va ainsi se remplir d’informations et de données spécifiques à rutilisateur et permettre la production d’un modèle capable d’affecter un indice de connaissance à chacune des informations.
Les données de la base de connaissances sont analysées et permettent la production de données d’entrée, pour un processus classique de construction (formation) du modèle d’apprentissage machine.
Chaque donnée d’entrée est accompagnée du résultat connu associé (indice de connaissance est égal à « 1 » si l’information est connue ou à « 0 » si l’information est non connue.
L'algorithme de construction identifie ensuite des tendances dans ces données d’entrée et résultats, qui mettront en correspondance les attributs des données d'entrée avec le résultat (cible, c’est-à-dire la valeur de l’indice de connaissance à prédire. Et il fournit en sortie un modèle d'apprentissage machine qui capture ces tendances.
Les attributs (caractéristiques) à prendre en compte pour produire une donnée d’entrée du modèle d’apprentissage machine sont par exemple (liste non exhaustive) :
- Libellé
- Domaine
- Nature
- Type
- Dernière apparition (rencontre)
- Nombre d’apparitions en lecture dans le mois précédant la dernière apparition
- Nombre d’apparitions en écriture dans le mois précédant la dernière apparition
- Nombre de phrases moyen du contexte d’apparition en lecture (c'est-à-dire du contenu lu dans lequel est apparue l’information)
- Nombre de phrases moyen du contexte d’apparition en écriture (c'est-à-dire du contenu écrit dans lequel est apparue l’information)
- Nombre de lecture de la définition dans le mois précédant la dernière apparition
- etc.
Le résultat (réponse) associé est : indice de connaissance = 1 (information connue) ou 0 (information non conne).
Exemple : - Libellé : APN
- Domaine : réseau mobile
- Nature : Technologie
- Type : acronyme
- Dernière apparition : [0 ; 1 mois]
- Nombre d’apparitions en lecture dans le mois précédant la dernière apparition : <à calculer sur analyse de la base de connaissances>
- Nombre d’apparitions en écriture dans le mois précédant la dernière apparition : <à calculer sur analyse de la base de connaissances>
- Nombre de phrases moyen du contexte d’apparition en lecture : <à calculer sur analyse de la base de connaissances>
- Nombre de phrases moyen du contexte d’apparition en écriture : <à calculer sur analyse de la base de connaissances>
- Nombre de lecture de la définition dans le mois précédant la dernière apparition : <à calculer sur analyse de la base de connaissances>
- etc.
Le résultat (réponse) associé est : indice de connaissance = 1 (élément connu)
L’indice de connaissance est dans le procédé le résultat, c'est-à-dire la variable qualitative à prédire par apprentissage.
Chaque donnée d’entrée produite sur analyse de la base de connaissance est par exemple vectorisée. Chaque valeur d’un des attributs (caractéristiques) d’une donnée d’entrée est ramenée à une donnée numérique pour produire une donnée d’entrée vectorisée. Ensuite via des algorithmes d’intelligence artificielle (IA) de type classification, le modèle permettra d’obtenir l’indice de connaissance, valeur réelle variant de 0 (qui signifie que l’information n’est pas connue) à 1 (qui signifie que l’information est connue) pour une nouvelle donnée d’entrée vectorisée permettant de répondre à la question (avec des valeurs renseignées pour les indications A à L) : « quel est l’indice de connaissance d’une information au libellé A, du domaine B, de nature C, de type D, pour laquelle la dernière apparition ( rencontre ) a eu lieu entre E et F mois, pour laquelle le nombre d’apparitions en lecture a eu lieu G fois, en écriture H fois, dans un contexte d’apparition de plus de I phrases en lecture et J phrases en écriture, pour laquelle les définitions ont été lues K fois le mois précédant la dernière apparition ... ? ». L’algorithme de construction retenu dépend par exemple (« deep leaming », « réseau de neurone LSTM » ...) de résultats de tests sur les données d’entrée et peut évoluer au fil du temps.

Claims

REVENDICATIONS
1) Procédé, mis en œuvre par une machine de calcul (30), d’aide à l’apprentissage d’une pluralité d’informations par un utilisateur d’un terminal, caractérisé en ce qu’il comprend, lors d’une rencontre de l’utilisateur avec une information donnée, parmi la pluralité d’informations, au cours d’une utilisation du terminal :
* stockage (E4, E7) dans une base de connaissance, d’une donnée de contexte relative à ladite rencontre, avec une entrée pour l’information donnée;
* détermination (E5) d’un indice de connaissance de l’information donnée, propre à l’utilisateur, en fonction de données de contexte enregistrées dans la base de connaissance avec l’entrée pour l’information donnée ; et
* proposition (E8) d’accès à au moins un élément de compréhension de l’information donnée en fonction de l’indice de connaissance déterminé.
2) Procédé selon la revendication 1, caractérisé en ce qu’en cas d’accès, respectivement de non-accès, de l’utilisateur audit au moins un élément de compréhension, le procédé comprend un stockage (E 10, El 1), avec ladite entrée, d’au moins une donnée de contexte relative audit accès, respectivement audit non-accès.
3) Procédé selon l’une quelconque des revendications 1 et 2, caractérisé en ce que la rencontre de l’utilisateur avec l’information donnée appartient au groupe comprenant :
- présence de l’information donnée dans un courrier électronique écrit ou lu par l’utilisateur avec le terminal ;
- présence de l’information donnée dans un message, instantané ou non, écrit ou lu par l’utilisateur avec le terminal ;
- présence de l’information donnée dans un document écrit ou lu par l’utilisateur avec le terminal ;
- présence de l’information donnée dans une recherche effectuée par l’utilisateur avec le terminal ;
- présence de l’information donnée dans un fil d’actualité, d’un réseau social, lu par l’utilisateur avec le terminal ; - présence de l’information donnée dans un contenu publié sur un réseau social par G utilisateur avec le terminal ; et
- présence de l’information donnée dans un contenu textuel et/ou visuel et/ou sonore, reçu, transmis ou recherché par l’utilisateur avec le terminal.
4) Procédé selon l’une quelconque des revendications 1 à 3, caractérisé en ce que ledit au moins un élément de compréhension appartient au groupe comprenant :
- une définition de l’information donnée ;
- une explication de l’information donnée ;
- une formation sur l’information donnée ;
- une aide relative à l’information donnée ; et
- un élément d’apprentissage, écrit et/ou oral et/ou visuel, de l’information donnée.
5) Procédé selon l’une quelconque des revendications 1 à 4, caractérisé en ce que ladite au moins une donnée d’information appartient au groupe comprenant :
- un libellé de l’information donnée ;
- un domaine auquel appartient l’information donnée ;
- une nature de l’information donnée ; et
- un type de l’information donnée.
6) Procédé selon l’une quelconque des revendications 1 à 5, caractérisé en ce que les données de contexte appartiennent au groupe comprenant :
- un type de contexte indiquant un type de la rencontre de l’utilisateur avec l’information donnée ou indiquant ladite proposition d’accès audit au moins un élément de compréhension ;
- une date de la rencontre de l’utilisateur avec l’information donnée ou de l’accès ou du non-accès audit au moins un élément de compréhension ; et
- un nombre de phrase d’un contenu dans lequel l’utilisateur a rencontré l’information donnée. 7) Procédé selon l’une quelconque des revendications 1 à 6, caractérisé en ce que la détermination de l’indice de connaissance est fonction :
- d’un délai depuis une dernière rencontre de l’utilisateur avec l’information donnée, ledit délai étant calculé en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ; et
- d’une courbe d’oubli.
8) Procédé selon l’une quelconque des revendications 1 à 7, caractérisé en ce que la détermination de l’indice de connaissance utilise un modèle d’apprentissage machine et comprend :
- génération d’une donnée d’entrée, comprenant une pluralité d’attributs eux-mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ;
- fourniture de ladite donnée d’entrée au modèle d’apprentissage machine ; et
- calcul par le modèle d’apprentissage machine d’un résultat constituant l’indice de connaissance.
9) Procédé selon la revendication 8, caractérisé en ce que les attributs compris dans la donnée d’entrée appartiennent au groupe comprenant :
- au moins un attribut d’information, renseigné avec ladite au moins une donnée d’information ; et
- au moins un attribut de contexte, renseigné avec les données de contexte et appartenant au groupe comprenant :
* une date de référence, définie comme la date la plus récente parmi une ou plusieurs date(s) de rencontre de l’information donnée et une ou plusieurs date(s) de proposition d’accès audit au moins un élément de compréhension ;
* un nombre de rencontres de l’information donnée en lecture dans une période prédéterminée précédant la date de référence ;
* un nombre de rencontres de l’information donnée en écriture dans ladite période prédéterminée ; * un nombre de recherche de l’information donnée, par l’utilisateur, dans ladite période prédéterminée ;
* un nombre moyen de phrases dans des contenus dans lesquels l’utilisateur a rencontré l’information donnée en lecture dans ladite période prédéterminée ;
* un nombre moyen de phrases dans des contenus dans lesquels l’utilisateur a rencontré l’information donnée en écriture dans ladite période prédéterminée ; et
* un nombre d’accès audit au moins un élément de compréhension, dans ladite période prédéterminée.
10) Procédé selon l’une quelconque des revendications 8 et 9, caractérisé en ce qu’il comprend une construction du modèle d’apprentissage machine, en effectuant un nombre déterminé d’itérations de construction, correspondant chacune à une itération du procédé d’aide à l’apprentissage, et comprenant chacune les étapes suivantes :
- génération (31) de ladite donnée d’entrée, comprenant ladite pluralité d’attributs eux- mêmes déterminés en fonction des données d’information et de contexte stockés, avec l’entrée pour l’information donnée, dans la base de connaissance ;
- détermination (32) d’une estimation de l’indice de connaissance, en fonction de l’accès ou du non-accès de l’utilisateur audit au moins un élément de compréhension ;
- fourniture (33) au modèle d’apprentissage machine de ladite donnée d’entrée et d’un résultat connu, défini comme ladite estimation de l’indice de connaissance.
11) Procédé selon la revendication 10, caractérisé en ce que l’estimation de l’indice de connaissance est égale à :
- une première valeur indiquant que l’information donnée est non connue de l’utilisateur, en cas d’accès de l’utilisateur audit au moins un élément de compréhension ; et
- une deuxième valeur indiquant que l’information donnée est connue de l’utilisateur, en cas de non-accès de l’utilisateur audit au moins un élément de compréhension.
12) Procédé selon l’une quelconque des revendications 10 et 11, caractérisé en ce que la construction du modèle d’apprentissage machine est effectuée à nouveau après un nombre prédéterminé d’itérations du procédé d’aide à l’apprentissage et/ou à une fréquence prédéterminée.
13) Produit programme d'ordinateur (430), comprenant des instructions de code de programme qui, quand elles sont exécutées par une machine de calcul (40), provoquent la réalisation par la machine de calcul du procédé selon l’une quelconque des revendications 1 à 12.
14) Médium de stockage lisible par ordinateur et non transitoire (43), stockant le produit programme d’ordinateur (430) selon la revendication 13.
15) Machine de calcul (40) configurée pour réaliser le procédé selon l’une quelconque des revendications 1 à 12.
EP21740596.8A 2020-06-25 2021-06-17 Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal Pending EP4172973A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2006657A FR3111728A1 (fr) 2020-06-25 2020-06-25 Procédé d’aide à l’apprentissage d’une pluralité d’informations par un utilisateur d’un terminal.
PCT/FR2021/051095 WO2021260299A1 (fr) 2020-06-25 2021-06-17 Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal

Publications (1)

Publication Number Publication Date
EP4172973A1 true EP4172973A1 (fr) 2023-05-03

Family

ID=73497846

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21740596.8A Pending EP4172973A1 (fr) 2020-06-25 2021-06-17 Procédé d'aide à l'apprentissage d'une pluralité d'informations par un utilisateur d'un terminal

Country Status (4)

Country Link
US (1) US20230245590A1 (fr)
EP (1) EP4172973A1 (fr)
FR (1) FR3111728A1 (fr)
WO (1) WO2021260299A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722145B (zh) * 2022-03-14 2025-01-24 阿里巴巴（中国）有限公司 知识库检索方法、装置、计算设备及介质
FR3153439A1 (fr) 2023-09-22 2025-03-28 Orange Procédé et dispositif de personnalisation d’un flux audiovisuel

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100003659A1 (en) * 2007-02-07 2010-01-07 Philip Glenny Edmonds Computer-implemented learning method and apparatus
US9348815B1 (en) * 2013-06-28 2016-05-24 Digital Reasoning Systems, Inc. Systems and methods for construction, maintenance, and improvement of knowledge representations

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5727951A (en) * 1996-05-28 1998-03-17 Ho; Chi Fai Relationship-based computer-aided-educational system
US6022221A (en) * 1997-03-21 2000-02-08 Boon; John F. Method and system for short- to long-term memory bridge
US6652283B1 (en) * 1999-12-30 2003-11-25 Cerego, Llc System apparatus and method for maximizing effectiveness and efficiency of learning retaining and retrieving knowledge and skills
US6419496B1 (en) * 2000-03-28 2002-07-16 William Vaughan, Jr. Learning method
US6551109B1 (en) * 2000-09-13 2003-04-22 Tom R. Rudmik Computerized method of and system for learning
US20070202481A1 (en) * 2006-02-27 2007-08-30 Andrew Smith Lewis Method and apparatus for flexibly and adaptively obtaining personalized study content, and study device including the same
US20090157672A1 (en) * 2006-11-15 2009-06-18 Sunil Vemuri Method and system for memory augmentation
US8727788B2 (en) * 2008-06-27 2014-05-20 Microsoft Corporation Memorization optimization platform
KR101172369B1 (ko) * 2010-06-29 2012-08-08 정영주 가상 카드를 이용한 학습 시스템 및 가상 카드를 이용한 학습 방법
WO2016003453A1 (fr) * 2014-07-02 2016-01-07 Hewlett-Packard Development Company, L.P. Manipulation de notes numériques
EP3900631A1 (fr) * 2018-12-21 2021-10-27 Aktsionernoye Obschestvo "neyrotrend" Procédé de mesure de la mémorabilité d'un message multimédia

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100003659A1 (en) * 2007-02-07 2010-01-07 Philip Glenny Edmonds Computer-implemented learning method and apparatus
US9348815B1 (en) * 2013-06-28 2016-05-24 Digital Reasoning Systems, Inc. Systems and methods for construction, maintenance, and improvement of knowledge representations

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2021260299A1 *

Also Published As

Publication number Publication date
WO2021260299A1 (fr) 2021-12-30
FR3111728A1 (fr) 2021-12-24
US20230245590A1 (en) 2023-08-03

Similar Documents

Publication Publication Date Title
US11494648B2 (en) Method and system for detecting fake news based on multi-task learning model
US11138382B2 (en) Neural network system for text classification
CN105893582B (zh) 一种社交网络用户情绪判别方法
EP2446378A1 (fr) Un assistant-conseiller utilisant l&#39;analyse semantique des echanges communautaires
US20210142103A1 (en) Predicting user intent for online system actions through natural language inference-based machine learning model
WO2019214046A1 (fr) Procédé, dispositif, dispositif informatique et support de stockage pour analyse de tendance d&#39;actif
EP2564362A1 (fr) Procede et systeme d&#39;adaptation d&#39;un contenu textuel au comportement langagier d&#39;une communaute en ligne
Duerr et al. Persuasive Natural Language Generation--A Literature Review
EP4172973A1 (fr) Procédé d&#39;aide à l&#39;apprentissage d&#39;une pluralité d&#39;informations par un utilisateur d&#39;un terminal
Mieczkowski et al. Examining agency, expertise, and roles of AI systems in AI-mediated communication
Otoo et al. Do perceived privacy risks of AI matter? A longitudinal study on the drivers of continued use of intelligent voice assistants
Rahimi Fard Kashani et al. # UbirajaraBelongstoBR: social media activism against (neo) colonial practices in palaeontology
Borgesius Discrimination, Intelligence artificielle et décisions algorithmiques
WO2023047071A1 (fr) Procédé de traitement d&#39;un contenu numérique exprimant un récit d&#39;une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d&#39;expériences
van Der Henst La perspective pragmatique dans l'étude du raisonnement et de la rationalité
Chrispal et al. Tweeting the Marginalized Voices: A Netnographic Account
Vassilopoulos Can AI Chatbots Improve Access to Legal Information?: A Case Study on the Inhibitors of AI Chatbots’ Implementation in the Context of JuridiQC
Dalavi et al. Enhancing Hate Speech Detection through Emoji-based Classification using Bi-LSTM and GloVe Embeddings
Thomas et al. Effectiveness of Chat Bots to Detect Health Insurance Fraudulent Claims
Liu et al. Reinventing the wheel: explaining question duplication in question answering communities
WO2022129760A2 (fr) Procede de collecte de donnees, procede d&#39;exploitation de donnees collectees, dispositif electronique et produits programme d&#39;ordinateur et support correspondants
WO2025061575A1 (fr) Contextualisation d&#39;une application informatique interactive
FR3151108A1 (fr) SERVICE integrant un agent conversationnel et une base de connaissances
Musengamana et al. Uniting the Power of Text and Emojis to Revolutionizing Sentiment Analysis of Twitter Data
Bhattacharya Chatbots For Customer Support

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221220

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ORANGE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250721