Le suivi de l’apprenant dans le cadre du serious gaming

Introduction générale

   L’intégration des TIC (technologies de l’information et de la communication) dans la formation scolaire ou professionnelle est toujours l’objet de préoccupations importantes. En témoignent, les nombreux financements accordés par les différents gouvernements pour des projets en e-éducation. L’idée étant d’adapter la formation aux nouvelles générations, que l’on qualifie de « génération Y » en référence aux écouteurs qu’ils portent fréquemment autour de leur cou. Le jeu sérieux constitue l’un des outils innovants de ces dernières années en matière de pratique pédagogique, comme le confirme le succès important d’America’s Army, jeu de tir multi-joueurs développé par l’armée américaine pour valoriser son image et susciter des vocations. L’année 2002, année de sortie d’America’s Army, est le point de départ de la « vague actuelle des Serious Games » (Djaouti, 2011). Nous considérons America’s Army comme une référence de jeu sérieux. Le CERIMES (Centre de ressources et d’informations sur le multimédia pour l’enseignement supérieur) définit les Serious Games (ou jeux sérieux) comme « des applications développées à partir des technologies avancées du jeu vidéo, faisant appel aux mêmes approches de design et savoir-faire que le jeu classique (3D temps réel, simulation d’objets, d’individus, d’environnements…) mais qui dépassent la seule dimension du divertissement ». (Dupire, Labat, & Natkin, 2011) utilisent le terme de « jeu utile ». (Fabricatore, 2000) insiste, quant à lui, sur l’expérience vécue dans le jeu à travers le gameplay. Pour lui, c’est elle qui permet l’apprentissage. Il s’agit donc pour le game designer, c’est-à-dire le concepteur du jeu, d’incorporer les connaissances au sein même des mécaniques de jeu. Les travaux de vulgarisation de (Prensky, 2003) mettent en avant la motivation et l’engagement de l’apprenant. Bien que nous nous focalisions sur l’utilisation du jeu sérieux en tant qu’outil de formation, il convient de préciser que les jeux sérieux peuvent être utilisés pour d’autres usages tels que la communication, le marketing, la sensibilisation collective à des causes sociales et/ou écologiques. C’est, par exemple, le cas du jeu Écoville dont l’objectif est de faire construire au joueur une ville propre tout en tenant compte de la population, de sa consommation d’énergie et d’un budget limité. Le site de la Marine nationale est un bon exemple d’utilisation de jeux sérieux à des fins de communication. L’objectif est ici de communiquer sur le métier de marin et de susciter des vocations. Dans le cas où le jeu sérieux est un outil de formation, il est d’autant plus important de maintenir le joueur/apprenant dans une expérience de jeu optimale. L’hypothèse sous-jacente est que plus l’apprenant reste dans le jeu, plus il est susceptible d’apprendre. L’expérience optimale fait référence à l’état subjectif de se sentir bien (Csikszentmihalyi & Patton, 1997). Selon (Csikszentmihalyi, 2004), il y a des milliers de possibilités ou de défis susceptibles de favoriser le développement de soi (par l’expérience optimale). L’expérience peut donc être provoquée. L’idée est d’aider l’apprenant à avancer dans le jeu, de contribuer au succès de ses missions. Le débriefing peut être un moyen de soutenir le flow optimal de l’apprenant. Les bilans et les conseils prodigués permettent, en principe, à l’apprenant d’avancer et de mieux réussir dans le jeu. De nombreux travaux de recherche portent sur le débriefing et son importance d’un point de vue pédagogique notamment dans les jeux sérieux (Hays et al., 2009) (Lane et al., 2008). « To be educational, feedback should be constructive. In other words, the feedback should not just reveal to learners that their knowledge is incomplete, inconsistent, or unparsimonious, but should help them see how to change their knowledge to become more complete, consistent, or parsimonious » (Malone, 1981). Or, très peu de jeux sérieux proposent des feedbacks à destination du joueur et des interfaces de bilan permettant de favoriser l’apprentissage et le « rejeu ». Dans (P. Thomas, 2012), nous analysons les connaissances mises en œuvre dans les jeux sérieux en économiegestion. Nous montrons également les différents types de débriefing existants dans les jeux sérieux. Un premier type de débriefing consiste seulement à montrer à l’apprenant les connaissances maîtrisées par rapport à une performance maximale. C’est le cas, notamment, dans Ma cyber Auto-Entreprise3 ou Hair Be12. Ma cyber Auto-Entreprise est à destination des auto-entrepreneurs. Le jeu permet de découvrir les différentes étapes de la création de ce statut. Hair Be12, quant à lui place le joueur dans le rôle d’un gestionnaire de salon de coiffure. Dans les deux cas, les bilans proposés au joueur montrent les connaissances acquises et manquantes sans aucune autre précision. Sur la Figure 1, le suivi de l’activité du joueur indique qu’il maîtrise la facturation des clients et la gestion des impayés. Dans le cas de Hair Be12 à la Figure 2, le joueur a progressé sur sa maîtrise de la relation client, tandis que la compétence de consultation est en baisse. Ce bilan ne permet pas au joueur de progresser mais juste de situer son niveau. Il s’agit d’une évaluation sommative.

Qu’est-ce que le diagnostic ?

   Le Petit Larousse en ligne définit le diagnostic comme étant l’» identification de la nature d’une situation, d’un mal, d’une difficulté, etc., par l’interprétation de signes extérieurs ». Le diagnostic consiste donc à identifier ce qui ne va pas à partir d’observables. Dans le domaine des environnements informatiques d’apprentissage, la définition proposée par (Hibou & Py, 2006) nous semble la plus appropriée à notre démarche. Les auteurs définissent le diagnostic comme étant « un processus visant à inférer les caractéristiques cognitives d’un sujet à partir de son comportement : on fait l’hypothèse que les observables recueillis à l’interface manifestent un certain état de connaissances, et l’on cherche à reconstruire cet état de connaissances sur la base des observations ». Nous présentons donc ici les systèmes qui permettent, à partir d’observables, d’inférer le niveau de connaissance de l’apprenant. Nous nous situons à la fois sur une analyse comportementale et épistémique dans la mesure où, à partir du comportement, nous déterminons les éléments maîtrisés ou pas. Les méthodes formelles constituent une base solide en informatique pour construire des outils, aussi nous nous penchons sur les travaux qui ont utilisé ces méthodes afin de construire un suivi et un diagnostic de l’apprenant. Après avoir présenté une méthode ad hoc permettant un suivi précis dans le jeu sérieux StarBank The Game ainsi qu’un système à base de traces pour les jeux sérieux, nous distinguons les méthodes numériques des méthodes symboliques. Dans les deux cas, nous prendrons appui non seulement sur des travaux dans le domaine des environnements informatiques pour l’apprentissage humain mais aussi dans le jeu vidéo et le jeu sérieux.

Une méthode ad hoc comme entrée en la matière : modification du code source et intégration dans une plateforme d’apprentissage

   Même les jeux vidéo les plus simples disposent d’un outil de suivi, c’est-à-dire un outil permettant d’identifier la progression du joueur. L’outil n’est pas explicite en lui-même et n’a pas d’existence propre mais c’est le suivi qui permet le passage de niveaux. Pour passer au niveau supérieur, le système attend du joueur un ou plusieurs des éléments cités ci-dessous :
− exécution d’une ou plusieurs actions (parfois selon un ordre précis) ;
− respect du temps (minuteur) ;
− atteinte d’un seuil pour des indicateurs du jeu (nombre d’objets collectés, type d’objets…) ;
− atteinte d’une zone spécifique.
Ces éléments ont été repris dans les jeux sérieux utilisant des méthodes que nous qualifierons d’ad hoc. Lorsque l’on souhaite ajouter un outil de suivi pédagogique précis à ce type de jeu sérieux, la démarche peut s’avérer complexe. En effet, il est nécessaire d’adopter une procédure de reverse engineering afin de reconstruire le modèle des connaissances du jeu. Les actions pertinentes du joueur doivent ensuite être identifiées et reliées aux items du modèle de connaissance. À des fins d’exploration, au début de nos travaux, nous sommes intéressés à l’ajout d’un outil de suivi des actions du joueur au jeu StarBank. Dans sa version initiale, le jeu identifiait l’exécution de certaines actions clés et/ou l’atteinte de seuils pour des paramètres du jeu afin de permettre le passage de niveau.

L’intégration du jeu dans une plateforme d’apprentissage

   Pour identifier précisément l’ensemble des actions du joueur, il a fallu modifier le code source du jeu. En effet, le jeu était codé de manière à détecter l’accomplissement d’actions clé pour déclencher le passage de niveau, les autres actions de jeu n’étaient pas sauvegardées. Nous avons donc fait le choix de sauvegarder l’ensemble des actions du joueur. Le jeu étant développé en Flash Action Script, les données ont été sauvegardées sous forme de cookies (Shared Object). L’objectif étant de fournir un retour à un formateur, le jeu a été intégré dans une plateforme d’apprentissage. Les plateformes possèdent une architecture permettant un suivi de base des activités de l’apprenant : score, temps passé, nombre de tentative, date de dernière connexion. Néanmoins,  ces éléments sont insuffisants par rapport aux objectifs de suivi assez précis. Nous avons donc fait appel au champ « Suspend_data » existant dans les plateformes d’apprentissage de la norme SCORM (Sharable Content Object Reference Model).

Définition et exemple de réseaux bayésiens

   Un réseau bayésien est un graphe orienté acyclique dont les nœuds représentent des variables aléatoires et dont les arcs expriment des interdépendances, des influences entre ces variables. C’est l’absence d’arc entre deux variables qui indique l’absence de lien direct entre elles. Pour quantifier « la force » de l’influence d’une variable sur l’autre, on ajoute à chaque nœud sa loi de probabilité conditionnellement à ses parents dans le graphe (Gonzales & Wuillemin, 1998). Dans (Gonzales & Wuillemin, 1998), les auteurs présentent un état de l’art de l’utilisation des réseaux bayésiens dans le cadre de la modélisation de l’apprenant. Selon les auteurs, le recours aux réseaux bayésiens se fait dans trois catégories de situation : l’évaluation de connaissances, la reconnaissance de but et la prédiction de comportements. Ces catégories ne sont pas mutuellement exclusives et une fois le réseau bayésien construit, il est possible de l’utiliser aussi bien pour l’évaluation des connaissances que pour la reconnaissance de plans ou la prédiction de comportements. Nous nous focalisons sur le recours aux réseaux bayésiens dans le cadre de l’évaluation des connaissances puisque notre objectif principal dans nos travaux est le diagnostic. Nous présentons néanmoins les travaux qui utilisent les réseaux bayésiens pour la reconnaissance de but dans un objectif de diagnostic des connaissances. Pour effectuer le diagnostic des connaissances de l’apprenant, les réseaux bayésiens sont utilisés pour définir le degré de maîtrise d’une compétence (exprimé par une probabilité) à partir des interactions de l’apprenant avec le système (Hibou & Py, 2006). Les principaux avantages du réseau bayésien est qu’il permet de représenter graphiquement le comportement de l’expert et de gérer les situations d’information incertaine. Le réseau peut être construit selon deux méthodes qui peuvent se combiner :
− sur la base de valeurs définies par les experts du domaine. Ils définissent les liens entre les nœuds et les probabilités conditionnelles. Ainsi, ce sont les experts qui indiquent le degré de maîtrise d’une compétence A sachant que le joueur maîtrise la compétence B ;
− sur la base de statistiques à partir d’un nombre important de données collectées.
Ensuite, le réseau est instancié à partir des interactions relevées. Le mécanisme de propagation des probabilités permet de mettre à jour le modèle probabiliste de l’apprenant. Pour illustrer l’utilisation d’un réseau bayésien et la propagation des probabilités, nous prenons un exemple tiré du site de Marc Bouissou13 et simulons le comportement du réseau bayésien à l’aide du logiciel de simulation Elvira14. Il s’agit de représenter l’impact de la grève des trains sur le retard de Gaston et Fantasio. De plus, il est à noter que Gaston peut également être victime d’un problème de réveil (ce n’est pas le cas de Fantasio).

Le recours à des réseaux bayésiens de type diagramme d’influence pour des rétroactions efficaces

   Le système TELEOS (Technology Enhanced Learning Environment for Orthopaedic Surgery) (Luengo, 2009), EIAH conçu pour la formation des chirurgiens orthopédiques débutants, dispose d’un outil de diagnostic basé sur la combinaison d’ontologies et de réseaux bayésiens de type diagramme d’influence. L’objectif de TELEOS est de permettre aux jeunes chirurgiens de s’exercer à des gestes précis dans le domaine du vissage percutané notamment. La particularité de cet EIAH est sa capacité à transmettre des connaissances perceptivogestuelles. Il est capable de capter très précisément les mouvements de l’apprenant et de fournir des rétroactions adaptées. L’outil joue en quelque sorte un compagnonnage dans l’apprentissage de la chirurgie. TELEOS est constitué de trois modèles :
− modèle de connaissances du domaine ;
− modèle de diagnostic ;
− modèle de décision.
(Luengo, Vadcard, Dubois, & Mufti-Alchawafa, 2006). Le modèle de connaissances est basé sur la théorie des champs conceptuels de (Vergnaud, 1990) et comporte quatre ensembles :
− « Un ensemble de problèmes P ;
− un ensemble R d’opérateurs (ou actions) servant à la résolution d’un problème ;
− un ensemble ∑ de structures de contrôles (ou connaissances déclaratives) ;
− un ensemble L de systèmes de représentation utilisés au cours de la résolution d’un problème.
Dans les relations de dépendances, un problème P est résolu si les opérateurs associés R sont appliqués de manière valide. Un opérateur R est appliqué d’une manière valide si les contrôles associés et utilisés lors de la résolution du problème P sont valides. Un contrôle est valide si les variables de situation (VS) , traces des actions de l’apprenant lors de la résolution, sont jugées correctes » (Toussaint, Luengo, Vadcard, & Tonetti, 2014). Les réseaux bayésiens sont utilisés pour identifier avec un certain niveau de probabilité les contrôles mobilisés par l’apprenant lors de l’exécution du geste technique. Pour cela, les relations décrites précédemment sont modélisées à l’aide d’un réseau bayésien. La Figure 28 représente un extrait du modèle de connaissances. Des éléments de contexte sont ajoutés à ce modèle, ce sont les variables de situation (cf. Figure 29), issues des traces collectées. La propagation des probabilités permet d’identifie les contrôles probablement mobilisés par l’apprenant.

Les inconvénients et les difficultés de l’utilisation des réseaux bayésiens pour notre situation

   Les réseaux bayésiens sont un outil formel puissant pour le diagnostic des connaissances de l’apprenant. Néanmoins, la construction du réseau associé à un domaine de connaissance peut devenir complexe. Nous avons mis en évidence la difficulté liée à l’orientation des nœuds identifiée par (Hibou & Labat, 2007). Dans (Gonzales & Wuillemin, 1998), les auteurs donnent également des exemples de bonnes pratiques à adopter lors de la construction du réseau. Ils mettent notamment en garde sur le risque de multiplication des nœuds et la nécessité de les hiérarchiser. Enfin, la principale problématique consiste en l’initialisation du réseau en ajoutant les probabilités fournies par les experts du domaine ou des données. Or, il peut être difficile d’obtenir des probabilités conditionnelles suffisamment précises. C’est notamment pour cette raison que nous n’adoptons par les réseaux bayésiens dans notre approche. Nous ne disposons pas d’un nombre suffisant d’experts disponibles dans les domaines étudiés ni de données en grand nombre pour construire des modèles de connaissance probabilistes. Cependant, nous retenons l’idée de graphes de concepts avec des arcs qui traduisent les règles expertes du domaine.

Le recours aux réseaux de Petri pour la supervision de systèmes de surveillance

   Dans (Lee & Hsu, 2003), les auteurs proposent de contrôler les interventions humaines dans les systèmes de surveillance en se basant sur les réseaux de Petri. Ils se situent dans le contexte des systèmes de surveillance contrôlés par Internet. Il s’agit de systèmes de surveillance à distance, contrôlés par des navigateurs. L’opérateur humain n’est pas présent physiquement dans les locaux et intervient à distance en fonction de l’état du système qu’il perçoit à travers le navigateur Web. Or, les recherches dans le domaine de la sécurité montrent que 80 % des accidents sont provoqués par des erreurs humaines. Les réseaux de Petri et notamment le concept d’exclusion mutuelle vont être utilisés pour cadrer/contrôler les interventions humaines. Chaque opération est découpée en tâches. Les tâches correspondent à des transitions du réseau de Petri. Les places sont les déclencheurs des actions. La présence de jeton permet d’exécuter la transition. Pour modéliser les contraintes métiers, et notamment empêcher un opérateur d’effectuer une action dans un contexte qui n’est pas adapté, les auteurs proposent d’utiliser les jetons. Ainsi, lorsque deux actions sont mutuellement exclusives, elles prendront en entrée la même place. La consommation du jeton par l’une d’entre elles empêchera systématiquement l’exécution de l’autre. De plus, selon le contexte, le système de supervision automatique mettra le réseau de Petri dans l’état correspondant en plaçant les jetons de manière adéquate afin d’empêcher l’opérateur humain de commettre d’éventuelles erreurs.

Table des matières

Introduction. Cadre général, problématique et méthodologie de recherche
1.1 Introduction générale
1.2 Contexte : les jeux sérieux de type « étude de cas »
1.3 Problématique et méthodologie
1.4 Plan de thèse
Chapitre 1. Les méthodes pour le diagnostic des connaissances
1.1 Qu’est-ce que le diagnostic ?
1.2 Une méthode ad hoc comme entrée en la matière : modification du code source et intégration dans une plateforme d’apprentissage
1.2.1 Présentation du jeu StarBank The Game
1.2.2 Le modèle de connaissances du jeu
1.2.3 Les objectifs pédagogiques par niveau
1.2.4 Le suivi de l’apprenant existant
1.2.5 Les améliorations en termes de suivi de l’apprenant
1.2.5.1 L’intégration du jeu dans une plateforme d’apprentissage
1.2.5.2 L’amélioration des interfaces de bilan
1.2.6 Les inconvénients de cette méthode
1.3 Un système à base de traces dans les jeux sérieux : Learning Adventure
1.4 Les méthodes numériques
1.4.1 Les réseaux bayésiens
1.4.1.1 Définition et exemple de réseaux bayésiens
1.4.1.2 Les réseaux bayésiens pour l’estimation du risque dans un environnement de simulation : HERA (Helpful Agent for Safety Learning in Virtual Environment)
1.4.1.3 Les réseaux bayésiens dans les tuteurs intelligents : ANDES
1.4.1.4 Le recours à des réseaux bayésiens de type diagramme d’influence pour des rétroactions efficaces
1.4.1.5 Les réseaux bayésiens dans les jeux vidéo
1.4.1.6 Le recours à un ensemble de réseaux bayésiens
1.4.1.7 Les inconvénients et les difficultés de l’utilisation des réseaux bayésiens pour notre situation
1.4.2 Les outils du data mining pour le diagnostic
1.4.2.1 L’analyse des traces dans le cadre du « sport électronique », un objectif de débriefing
1.4.2.2 Playtracer : outil de visualisation de parcours basé sur des techniques de visual data mining
1.4.3 Les outils statistiques
1.4.3.1 L’analyse de traces pour équilibrer la difficulté dans le jeu : TRUE (Trasking Real-Time User Experience)
1.4.3.2 L’analyse de traces pour identifier les styles de jeu
1.5 Les méthodes symboliques
1.5.1 La reconnaissance de plans
1.5.1.1 Le recours à la reconnaissance de plans pour le diagnostic dans les environnements de simulation
1.5.1.2 Génération automatique de parcours dans un serious game
1.5.1.3 Les inconvénients de la reconnaissance de plans
1.5.2 Model tracing
1.5.3 Modélisation à base de contraintes
1.5.4 Les réseaux de Petri
1.5.4.1 Définition d’un réseau de Petri
1.5.4.2 Le graphe d’accessibilité, un outil de modélisation puissant
1.5.4.3 Le recours aux réseaux de Petri pour la supervision de systèmes de surveillance
1.5.4.4 Le recours aux réseaux de Petri pour la scénarisation de jeux vidéo
1.5.4.5 Le recours à des machines à états pour le suivi : E-Adventure
1.5.5 Les ontologies, outil de modélisation très utilisé dans le cadre du diagnostic
1.5.5.1 Définition
1.5.5.2 Exemples d’utilisation d’ontologies pour le diagnostic
1.5.5.2.1 Les ontologies pour partager une représentation commune des capacités en géométrie : GeoSkills
1.5.5.2.2 Les ontologies pour le diagnostic dans les approches de raisonnement à partir de cas : la plateforme COBRA (Conversational Ontology-based Case based reasonning for Risk Analysis)
1.5.5.2.3 Les ontologies pour l’adaptation dans les jeux sérieux : le projet Elektra
1.5.5.2.4 Les ontologies pour la formation des infirmières de pratique avancée
1.6 L’importance de l’analyse des erreurs
1.6.1 Définition
1.6.2 Exemples de classification des erreurs
1.6.2.1 Classification des erreurs dans l’enseignement
1.6.2.2 Classification des erreurs dans les systèmes critiques
1.6.2.3 Exemple de classification d’erreurs dans le jeu vidéo
1.7 Un cadre unificateur Evidence Centered Design (ECD)
1.7.1 Présentation de la méthode
1.7.2 Le modèle de compétences (CM)
1.7.3 Le modèle de preuves (EM)
1.7.4 Le modèle de tâches (TM)
1.7.5 Conception et diagnostic
1.7.6 Exemple d’application d’ECD au jeu Taiga Park
1.7.6.1 Le modèle de compétences de Taiga Park
1.7.6.2 Le modèle de preuves de Taiga Park
1.7.6.3 Le modèle d’action de Taiga Park
1.7.6.4 Le diagnostic
Chapitre 2. Présentation de notre démarche
2.1 Introduction
2.1.1 Le modèle d’actions
Étape 1
Étape 2
2.1.2 Le modèle de preuves
2.1.3 Le modèle des compétences
2.2 Un exemple fil rouge : Ludiville
2.3 Le modèle des actions (AM)
2.3.1 Objectif 1 : Identifier les propriétés caractérisant les cas dans les jeux de type « étude de cas »
2.3.2 Objectif 2 : Construire un modèle d’actions
2.3.2.1 Les règles métier dans les jeux de type « étude de cas »
2.3.2.2 Nos besoins en termes de modèle d’actions
2.3.3 Notre proposition : modéliser les actions de jeu à l’aide d’un réseau de Petri
2.3.3.1 Comment utiliser le RdP pour représenter les caractéristiques intrinsèques d’une situation, la disponibilité des actions et les règles métier ?
2.3.3.2 L’utilisation du graphe d’accessibilité dans notre démarche
2.3.3.3 Le problème de l’explosion combinatoire et sa gestion
2.3.3.4 Comment représenter l’enchaînement des niveaux à l’aide d’un RdP ?
2.3.4 Les composants du modèle d’action pour un jeu sérieux de type « étude de cas »
2.3.5 Application à Ludiville
2.3.5.1 Les paramètres d’initialisation
2.3.5.2 Les règles métiers
2.3.5.3 Les transitions
2.3.5.4 Les places
2.3.5.4.1 Rôle de définition des caractéristiques
2.3.5.4.2 Rôle de définition des actions disponibles
2.3.5.5 Exemple : le modèle complet du cas Lemartine
2.4 Le modèle des compétences (CM)
2.4.1 Quelles définitions pour les compétences dans les jeux sérieux de type « étude de cas » ?
2.4.2 Notre définition du modèle des compétences et connaissances
2.4.3 Notre proposition : la modélisation des compétences dans les jeux sérieux de type « étude de cas »
2.4.3.1 Pourquoi utiliser une ontologie pour représenter les compétences ?
2.4.3.2 Quelle modélisation de l’étude de cas ?
2.4.3.3 L’ontologie caractérisant une étude de cas dans un jeu sérieux
2.4.3.4 Quelle modélisation du domaine de connaissance dans les jeux de type « étude de cas » ?
2.4.3.5 L’ontologie générique des jeux sérieux de type « étude de cas »
2.4.4 Application à Ludiville
2.4.4.1 Méthodologie de construction du modèle de compétences de Ludiville
2.4.4.1.1 Le domaine de connaissances
2.4.4.1.2 La modélisation du jeu de type « étude de cas »
2.4.4.2 Extrait de l’ontologie utilisée pour l’analyse du cas Lemartine
2.4.4.2.1 Partie de l’ontologie liée au domaine de connaissances
2.4.4.2.2 Partie de l’ontologie du cas Lemartine liée au jeu
2.5 Le modèle de preuves (EM)
2.5.1 Objectif 1 : Définir des indicateurs de performance dans un jeu sérieux de type « étude de cas »
2.5.1.1 Les indicateurs de complétion, progression
2.5.1.2 Les indicateurs de ressources
2.5.1.3 Les indicateurs de comparaison
2.5.1.4 Les indicateurs de collaboration
2.5.1.5 Les indicateurs de conseils
2.5.1.6 Les indicateurs de recours à l’assistance
2.5.1.7 Les indicateurs sur les compétences
2.5.1.8 Les indicateurs sur les erreurs
2.5.2 Objectif 2 : Définir un modèle de traces des jeux sérieux de type « étude de cas »
2.5.3 Objectif 3 : Produire les indicateurs de diagnostic
2.5.4 Objectif 4 : Définir des règles pour remonter des indicateurs de performances vers les compétences
2.5.5 Notre contribution : une classification des actions erronées et un algorithme de diagnostic de ces erreurs
2.5.5.1 Une classification des erreurs
2.5.5.2 L’algorithme de diagnostic
2.5.5.3 La remontée vers les compétences
2.5.6 Les composants du modèle de preuves pour les jeux sérieux de type « étude de cas »
2.5.7 Application à Ludiville
2.5.7.1 Le modèle de traces
2.5.7.2 Les indicateurs de performance
2.5.7.3 L’algorithme de diagnostic
2.5.7.4 La remontée vers les compétences
Chapitre 3. Architecture informatique et mise à l’épreuve de la démarche
3.1 Architecture informatique
3.2 Mise à l’épreuve de la démarche
3.2.1 Expérimentations de Laalys en classe de section de technicien supérieur
3.2.2 Transposition à un autre jeu de type « étude de cas » : Play And Cure
3.2.2.1 Le projet Play And Cure
3.2.2.2 L’architecture du système du diagnostic
3.2.2.3 Le modèle des actions
3.2.2.4 Le modèle de compétences
3.2.2.5 Le modèle de preuves
Chapitre 4. Conclusion et perspectives
4.1 Objectifs de recherche
4.2 Contributions
4.3 Limites et perspectives
Chapitre 5. Annexes
5.1 La fiche de consigne pour l’utilisation du jeu Politeco en classe de terminale Sciences et technique de gestion (STG) par Yasmina Soulié
5.2 Scénario pédagogique : séance de 2 heures (1 heure de jeu et 1 heure de synthèse)
5.3 La grille d’évaluation du jeu Politeco de Yasmina Soulié
5.4 La fiche de suivi du jeu Simuland (Isabelle Colombari)
5.5 La richesse des réseaux de Petri en matière de représentation des structures de contrôle
5.5.1 La séquence
5.5.2 La boucle
5.5.3 La concurrence
5.5.4 La conjonction
5.5.5 Le parallélisme
5.5.6 La synchronisation
5.6 Description d’un cas client dans Ludiville
5.7 Rdp complet cas Lemartine
5.8 Questionnaire d’évaluation des connaissances en crédit immobilier présentes dans Ludiville
5.9 Descriptif d’un cas patient « Nadine Rousseau » dans Play And Cure
Index des figures
Bibliographie

Télécharger le rapport complet