Modélisation de l’engagement et de la charge mentale de travail dans les Systèmes Tutoriels Intelligents

Les récents avancements en sciences cognitives, psychologie et neurosciences, ont démontré que les émotions et les processus cognitifs sont intimement reliés. Ce constat a donné lieu à une nouvelle génération de Systèmes Tutoriels Intelligents (STI) dont la logique d’adaptation repose sur une considération de la dimension émotionnelle et affective de l’apprenant. Ces systèmes, connus sous le nom de Systèmes Tutoriels Émotionnellement Intelligents (STEI), cherchent à se doter des facultés des tuteurs humains dans leurs capacités à détecter, comprendre et s’adapter intuitivement en fonction de l’état émotionnel des apprenants. Toutefois, en dépit du nombre important de travaux portant sur la modélisation émotionnelle, les différents résultats empiriques ont démontré que les STEI actuels n’arrivent pas à avoir un impact significatif sur les performances et les réactions émotionnelles des apprenants. Ces limites sont principalement dues à la complexité du concept émotionnel qui rend sa modélisation difficile et son interprétation ambiguë. Dans cette thèse, nous proposons d’augmenter les STEI des indicateurs d’états mentaux d’engagement et de charge mentale de travail. Ces états mentaux ont l’avantage d’englober à la fois une dimension affective et cognitive. Pour cela, nous allons, dans une première partie, présenter une approche de modélisation de ces indicateurs à partir des données de l’activité cérébrale des apprenants. Dans une seconde partie, nous allons intégrer ces modèles dans un STEI capable d’adapter en temps réel le processus d’apprentissage en fonction de ces indicateurs.Recent advances in cognitive science, psychology and neuroscience have shown that emotions and cognitive processes are closely intertwined. This fact has given rise to a new generation of Intelligent Tutoring Systems (ITS) whose adaptive logic is based on the consideration of the learner’s emotional and affective dimension. These systems, known as Emotionally Intelligent Tutoring Systems (EITS), seek to acquire the human tutors’ ability in detecting, understanding and adapting to the learners’ emotional state. However, despite the large body of work on emotional modeling, several empirical results showed that current EITS fail to have a significant impact on the learners’ performance and emotional reactions. These limitations are mainly due to the complexity of the emotional concept which makes its modeling difficult and its interpretation ambiguous. In this thesis we propose to increase EITS with mental state indicators of engagement and mental workload. These mental states have the advantage to include both affective and cognitive dimensions. To this end, we first present an approach to modeling these indicators from the learners’ brain activity data. In the second part, we will integrate these models into an EITS able to adapt in real time the learning process according to these indicators