Plate-forme AFIA / Nice, du 30 mai au 3 juin 2005

POSTERS IC 2005 :

16es journées francophones Ingénierie des Connaissances

Marie-Christine Jaulent

i

POSTERS DE LA CONFÉRENCE

IC 2005

16es journées francophones d’Ingénierie des Connaissances Dans le cadre de la plate-forme AFIA 2005

30 MAI – 3 JUIN 2005

NICE

Présidente du comité de programme Marie-Christine Jaulent, INSERM U729, PARIS

Président de la plateforme AFIA : Fabien Gandon (INRIA Sophia Antipolis, Equipe ACACIA)

Présidente du comité d’organisation : Monique Simonetti (INRIA Sophia Antipolis, Organisation de Colloques nationaux et internationaux)

Site Web de la plate-forme : http://www-sop.inria.fr/acacia/afia2005/welcome.html

ii

iii

Comité de programme IC2005 Présidente : M.-C. Jaulent, SPIM, INSERM U729, Paris Membres : P. Albert, ILOG, Paris N. Aussenac-Gilles, IRIT, Toulouse B. Bachimont, INA, Paris & UTC, Compiègne C. Barry-Gréboval, LARIA, Amiens B. Biébow, LIPN, Villetaneuse J.-F. Boujut, GILCO, Grenoble S. Calabretto, laboratoire LIRIS, Lyon 1 J. Charlet, AP-HP, Paris S. Darmoni, CHU Rouen S. Despres, université Paris 5 F. Darses, CNAM, Paris R. Dieng, INRIA Sophia-Antipolis J.-G. Ganascia, LIP6, Paris N. Girard, INRA, Toulouse G. Kassel, LaRIA, Amiens J.-M. Labat, CRIP5, Paris 5 Ph. Laublet, LaLICC, Univ Paris 4, Paris C. Le Bozec, SPIM, INSERM U729, Paris M. Lewkowicz, Tech-CICO, Troyes N. Matta, Tech-CICO, Troyes A. Mille, LIRIS, Lyon 1 S. Moisan, INRIA-Sophia, Sophia Antipolis J.-C. Moisdon, CGS, Paris A. Napoli, INRIA-Lorraine, Nancy Y. Prié, LIRIS, Lyon 1 M. Revenu, GREYC, Caen C. Reynaud, LRI, Orsay N. Souf, CERIM, Lilles P. Tchounikine, LIUM, Le Mans R. Teulier, GRID, ENS Cachan F. Trichet, LINA, Nantes R. Troncy, ISTI, CNR, Pise M. Zacklad, Tech-CICO, Troyes

iv

Avant-propos L’ingénierie des connaissances propose des concepts, méthodes et techniques permettant de modéliser, de formaliser, d’acquérir des connaissances dans les organisations dans un but d’opérationnalisation, de structuration ou de gestion au sens large. L’essor et l’utilisation croissante des Sciences et Technologies de l’Information et de la Communication (STIC) dans des environnements professionnels divers modifient parfois profondément, les conditions de la représentation et de l’échange des informations et des connaissances entre acteurs au sein d’organisations. L’ingénierie des connaissances appréhende les changements induits par l’utilisation des STIC dans la mesure où elle «réfléchit» sur l’instrumentation technique des contenus pour leur exploitation dans un cadre où ils sont mobilisés pour leur signification. La discipline contribue aux nouvelles « technologies de la connaissance » en développant une ingénierie permettant de diversifier et d’exploiter les modes d’inscription de la connaissance, les modalités d’organisation et de diffusion des savoirs et de démultiplier les interactions entre les utilisateurs. Du fait de son intérêt pour la connaissance en tant qu’objet à construire, à exprimer, à transmettre, à acquérir ou à exploiter, l’ingénierie des connaissances s’associe à de nombreuses disciplines :

• d'une part, dans sa démarche d’ingénierie, l’IC mobilise les concepts et techniques de la représentation des connaissances, les méthodes d'analyse et de conception à objets, le raisonnement à base de cas, l'ingénierie documentaire ou l'ingénierie éducative, la conception de systèmes d’information, etc,

• d'autre part, dans sa démarche de modélisation des connaissances, l’IC doit se rapprocher de disciplines permettant de caractériser et décrire les connaissances d’un domaine et d’évaluer leur mise en œuvre dans les SBC. La sociologie, la gestion ou l'ergonomie peuvent ainsi concourir à une démarche d'explicitation de ce que sont les connaissances dans un contexte humain et organisationnel.

Placée sous l'égide du GRACQ (Groupe de Recherche en Acquisition des Connaissances - <http://www.irit.fr/ACTIVITES/EQ_SMI/GRACQ/index-act.html >), les journées francophones sont le lieu d'échange et de réflexion de chercheurs français pluridisciplinaires sur les problématiques spécifiques de l’ingénierie des connaissances. Les 10 posters présentés dans ce fascicule ont suivi la même procédure de sélection que les articles proposés dans les actes de la conférence, à savoir un processus rigoureux de relecture par trois relecteurs et un débat au sein du comité de programme. A l’issue de la sélection, ces travaux n’ont pu être retenus dans les actes mais nous ont semblé intéressants et en adéquation avec les thèmes de la conférence et nous avons proposé aux auteurs de les transformer en poster. Je remercie ici les auteurs d’avoir fait l’effort de réduire la présentation de leur travail à deux pages et je les encourage vivement à soumettre leurs travaux à IC 2006. Marie-Christine Jaulent INSERM, U729, Paris

v

TABLE DES MATIÈRES Une approche du développement de mémoire de projet utilisant un schéma de conception Hatem Ben Sta, Michel Bigand, Khaled Ghédira, Jean-Pierre Bourey ……………… 1 Extraction automatique d’axes sémantiques pour l’analyse thématique du discours Frédéric Bilhaut……………………………………………………………………………… 3 Evaluation d’un système Web Socio Sémantique en recherche d’information Jean-Pierre Cahier, Nadia Gauducheau, L’Hédi Zaher, Manuel Zacklad…………… 5 Vers un système d’aide à la veille technologique guidé par une ontologie Tuan-Dung Cao, Rose Dieng Kuntz,Bruno Fiés, Marc Bourdeaux…………………… 7 METISSE, modèle de description de tâches orienté assistance et suivi de l’apprenant Naïma El-Kechaï, Christophe Després... ………………………………………………… 9 Médiation et environnement intégré d’ingénierie ontologique Fabien Jalabert, Sylvie Ranwez, Michel Crampes, Vincent Derozier………………… 11 Système de recherche d’informations basé sur la proximité des termes retrouvés dans les documents Annabelle Mercier, Michel Beigbeder …………………………………………………… 13 Noesis Annotation Tool : un outil pour l’annotation textuelle et conceptuelle de documents Rémi Patriarche, Séverine Gedzelman, Gayo Diallo, Delphine Bernhard, Cyr-Gabin Bassolet, Sylvain Ferriol, Amandine Girard, Maryline Mouries, Patrick Palmer, Ana Simonet, Michel Simonet …………………………………………………… 15 Un modèle de formulation d'applications de traitement d'images Arnaud Renouf, Régis Clouard, Marinette Revenu …………………………………… 17 Un outil à base de connaissances pour la validation de conception: application au prototypage rapide Stéphanie Sosnowski, Nicolas Gardan, Yvon Gardan …………… …………………… 19

Index des auteurs …………………………………………………………………………… 21

vi

Une approche du développement de mémoire de projet uti l isant un schéma de conception

Hatem Ben Sta1, 2, Michel Bigand2, Khaled Ghédira1, Jean-Pierre Bourey2

1 Unité de Recherche en Stratégies d'Optimisation des Informations et de la connaissancE (SOIE), ISG de Tunis,

Université de Tunis, 41 avenue de la Liberté, cité Bouchoucha 2000 Tunis, Tunisie, hatem.bensta@ensi.rnu.tn, khaled.ghedira@isg.rnu.tn

2 Équipe de Recherche en Génie Industriel Ecole Centrale de Lille, BP 48, 59651 Villeneuve d’Ascq Cedex, France

{Michel.Bigand, Jean-Pierre.Bourey}@ec-lille.fr

Résumé La problématique concerne le développement

d’outils logiciels pour assurer la mémoire de pro-jets. Une architecture globale du système est pro-posée basée sur un ensemble de modèles UML gé-nériques et cohérents. Ces modèles s’appuient sur un schéma de conception

Mots clés : Gestion des connaissances, Mé-moire de projet, Schémas de conception, UML.

1 Introduction Afin de pouvoir réduire les coûts, les délais et aug-

menter la qualité, il devient nécessaire de s’appuyer sur une ingénierie de projet performante qui tire notamment le meilleur parti d’expériences passées, en préservant la logique de conception (Design Rationale) [13].

Les concepteurs doivent accéder aux projets réalisés dans le passé afin de comprendre les justifications des choix effectués, les options rejetées, les documents utili-sés, les arguments choisis, les points de vues de chaque intervenant dans le projet, les auteurs de ces choix… Les mémoires de projet sont un moyen d’assurer la tra-çabilité de toute prise de décision.

L’architecture proposée est destinée à développer des mémoires de projet de conception ; l’originalité de ce travail est la grande généricité des modèles développés.

2 Définitions Pour [10], « Une mémoire de projet est définie comme

étant une mémoire des connaissances et des informa-tions acquises et produites au cours de la réalisation des projets ». Elle distingue la mémoire des caractéristiques de projets et la mémoire du raisonnement de conception. [11] définit la mémoire de projet comme étant « leçons et expériences issues de projets donnés ». [14] la définit comme « la définition des activités du projet, son his-toire et ses résultats ». [7] la définit comme « une repré-sentation explicite des connaissances acquises et produi-tes pendant le projet ». Ces définitions se focalisent sur l’objet « Mémoire de projet » plutôt que sur ses finali-tés, ces dernières restent implicites. Les objectifs de ce

travail relatif a la mémoire de projet de conception de produits concernent principalement la tracabilité de tous les éléments manipulés durant le projet : produit, pro-cessus, acteur, organisation, etc.

3 Etat de l’art Un certain nombre de méthodes ont été définies parti-

culièrement pour aider à la capitalisation des connais-sances telles que REX [9], MASK [3], CYGMA [12]. D’autres approches de capitalisation des connaissances dans une mémoire de projet ont été conçues tel que IBIS [2], QOC [8], [5], [6], et [1]. Ces différentes méthodes sont en grande majorité orientées résolution de problè-mes et ne traitent pas tous les aspects d’un projet. Elles se focalisent par exemple sur les aspects relatifs aux modèles d’activités sans aborder les aspects de relation avec le modèle de produit.

4 Modèles génériques La FIG. 1 présente l’architecture globale de la mé-

moire de projet.

C o n n a is s a n c e

A c te u r s

C o r p s D o c u m e n t a t io n

O r g a n is a t io n F o n c t io n

P r o d u i t

P r o c e s s u s

Fig. 1 – Architecture Globale du Système.

Celle-ci est organisée autour de huit paquetages qui décrivent les différents constituants de la mémoire de projet : Processus, Produit, Fonction, Organisation, Documentation, Acteurs, Connaissance. Ces paquetages sont tous reliés au paquetage Corps destiné à gérer les

1

attributs communs et les relations entre toutes les clas-ses, ainsi que les vues

La plupart de nos modèles développés sont basés sur le schéma de conception FIG. 2, ceci a permis d’avoir une modélisation « uniforme » pour des éléments de projets dont les structures sont similaires.

Fig. 2 – Schéma de conception décrivant une décompo-sition arborescente.

Ce patron comporte une classe ElémentRacine desti-né à représenter la racine de la décomposition, car il a été constaté que celle-ci n’est jamais remise en cause. Ce schéma de conception peut être adapté pour décrire un processus en remplaçant respectivement la classe ElementRacine par la classe Processus et Element par Phase.

Le diagramme de classes FIG. 3 introduit les classes permettant de gérer les relations entre les éléments de la mémoire de projet.

Fig.3 – Diagramme de classes pour la gestion des rela-tions entre entités.

Ces relations sont de deux types : Les relations Non orientées qui permettent de définir les relations « Fonc-tionnelle » du type ET, OU, XOR, Les relations orien-tées de type « Structurelle » (composition, généralisa-tion) et « Temporelle » (succession, évolution).

L’originalité du diagramme de classes proposé réside dans le report des relations au plus haut niveau d’abstraction, grâce à la classe Entité (Classe abstraite, super-classe de tous les constituants de la mémoire de projet). Ceci permet de mettre en relation deux objets quelconques d la mémoire de projet.

5 Conclusion L’ensemble des modèles génériques proposé constitue

une base pour le développement d’un applicatif de ges-

tion de la mémoire de projet. La modularité de l’architecture proposée permet d’affiner certaines par-ties dans un contexte particulier sans remettre en cause la totalité des modèles. Une expérimentation est en cours de développement dans un environnement client serveur s’appuyant sur une base de données relationnel-les objets.

Références [1]Bekhti S. (2003), « DYPKM : Un Processus Dynami-

que de Définition et de Réutilisation de Mémoire de Projets », Thèse de l’UTT, spécialité Réseaux, Connaissances et organisations, 17 Décembre 2003.

[2] Conklin J.E. & Begeman M.L. (1998) – gIBIS: "A Hypertext Tool for exploratory Policy Discussion", ACM Transactions on Office Informations Systems, 6,303-331, 1998.

[3] Ermine, J.L. (2002) "La gestion des connaissances, un levier de l'intelligence économique" (Version 2). Economica, 2002.

[4] Gamma E. et al. (1994), Design Patterns, Elements of Reusable Object-Oriented Software, Addison-Wesley, 1994

[5] Harani Y. (1997) "Une Approche Multi-modèles pour la Capitalisation des Connaissances dans le Domaine de la Conception", Thèse de l'INPG, spé-cialité en Génie Industriel, 19 Novembre.

[6] Labrousse M., (2004), « proposition d’un Modèle Conceptuel unifié pour la Gestion Dynamique des Connaissances d’Entreprise », Thèse de l’Ecole Centrale de Nantes, spécialité Génie Mécanique, 13 Juillet 2004.

[7] Longueville B., Le Cardinal J.S, Bocquet. J.C, Da-neau. P. Toward a project memory for Innovative Product Design, A Decision-Making Process Model. International Conference on Engineering Design, ICED 03 Stockholm, August 1ç-21, 2003.

[8] MacLean A. et al. (1991) , "Questions, Options, and Criteria: Elements of Design Space Analysis", Hu-man-Computer Interaction, Vol.6, 1991.

[9] Malvache, P. & Prieur, P. (1993) "Mastering corpo-rate experience with the Rex method". In J. P. Barthès ed., Proc. of ISMICK'93, Compiègne, Octo-ber, pp. 33-41 1993.

[10]Matta N. et al. (1999), Ribière R., Corby O. Défini-tion d’un modèle de mémoire de projet, Rapport de Recherche INRIA N. 3720, Juin 1999.

[11]Pomian J. (1996): Mémoire d'entreprise : techni-ques et outils de la gestion du savoir, Sapienta.

[12]R. Dieng, et al. (2000), "Méthodes et outils pour la gestion des connaissances", Dunod, Paris, 2000.

[13]Tollenaere M. (1996) « Du modèle produit au mo-dèle de conception : une démarche d’intégration de connaissances », GI’5 : 5e Congrès International de génie Industriel, Tome II, pp.277-286, Grenoble France, 2-4 Avril.

[14]Tourtier P.-A. (1995) : « Analyse préliminaire des métiers et de leurs interactions. », Rapport intermé-diaire du projet GENIE, INRIA-Dassault-Aviation.

E l é m e n t R a c in e E l é m e n t

1 * 1

*

: : C o r p s : : E n t i té

2

Extraction automatique d'axes sémantiquespour l 'analyse thématique du discours

Frédérik Bilhaut

GREYC, UMR 6072, Université de CaenBd du Maréchal Juin, BP 5186, Caen Cedex

fbilhaut@info.unicaen.fr

Résumé

Nous proposons ici une méthode d'acquisitionautomatique de connaissances destinées à guiderun système d'analyse thématique du discours, ense fondant sur le lien existant entre lesconnaissances spécifiques à un domaine etl'organisation du discours qui s'y rapporte.

Mots-clefs : Acquisition de connaissances ;analyse de corpus textuel ; analyse sémantique dudiscours.

1 IntroductionNous proposons dans [2] et [3] un procédé d'analyse

automatique du discours destiné à opérer unesegmentation hiérarchique automatique de textesrelativement à la répartition de leur contenuinformationnel. Ce système produit une représentationsymbolique des thèmes des segments délimités,directement applicable dans le contexte de l'accès assistéà l'information. Nous nous basons pour cela sur unmodèle thématique original, dont une particularitéimportante est de prendre en considération l'interactionentre les connaissances d'un domaine et la structure dudiscours qui s'y rapporte. Ces connaissances, une foisformalisées, font donc partie des ressources fournies ausystème, qui les exploite pour guider son analyse dudiscours. Mais nous nous confrontons ainsi aux diversesdifficultés inhérentes à la constitution de toute ressourced'ordre ontologique.

Pour répondre à ce problème, nous proposons ici uneméthode permettant d'extraire, à partir d'un corpusthématiquement homogène, des ressources pouvant êtreutilisées pour guider l'analyse thématique d'autres textesdu même domaine. Il s'agit plus précisément d'extrairedes termes susceptibles de jouer un rôle structurant tanten discours qu'au sein de l'espace conceptuel dudomaine. Nous nous basons pour cela sur la fonctiondiscursive des termes du corpus d'apprentissage pourévaluer leur caractère structurant, en observant leurpropension à prendre part à certaines configurationsdiscursives caractéristiques.

2 Notion de thème compositeObservons l'exemple suivant :

§ [  {L'enseignement primaire  (P1) a connu une forte diminutiondu taux de  retard scolaire dans  les années 80. On peut enpartie  attribuer  cette  amélioration  à   la   réduction  du nombred'élèves   par   classe,   qui   [...]}S1  {Dans   le   secondaire  (P2),   onassiste au contraire à une augmentation sensible du taux deretard. Celle­ci est principalement imputable à [...] }S2  ]S0

On s'accordera généralement à considérer qu'il y estdébattu du phénomène de retard scolaire, et que cephénomène est envisagé de façon circonstanciée : il esttout d'abord abordé relativement à un niveau scolaire(« le primaire ») et à une plage temporelle (« les années1980 »), avant d'être décrit relativement à un secondniveau (« le secondaire »). Cela se traduit, au sein denotre modèle, par deux thèmes composites attribués auxsegments S1 et S2 :

ℑ(S1) = RETARD SCOLAIRE ⊷ PRIMAIRE, [1980;1990]ℑ(S2) = RETARD SCOLAIRE ⊷ SECONDAIRE

Nous avons ainsi segmenté l'extrait en deux segmentspartageant un même noyau thématique, le retardscolaire. Chaque segment décrit ce même phénomènerelativement à des niveaux scolaires différents, quicorrespondent dans notre modèle à des satellites (lepremier segment présente également un satellitetemporel, dont nous ne traiterons pas ici). Plusgénéralement, nous représentons le contenuinformationnel d'un segment par un thème de la formen ⊷ s1, ... , sn, où n est le noyau et les si sont lessatellites.

3 Axes sémantiquesNotre extrait est donc organisé autour des notions

d'enseignement primaire et secondaire, qui viennent« situer » le phénomène du retard scolaire au sein d'unespace conceptuel lié au domaine de l'enseignement.Plus généralement, nous pouvons considérer que lepassage est organisé relativement à un ensemble deconcepts, regroupant les différents niveaux de la

3

structure scolaire française : PRÉ-ÉLÉMENTAIRE,ÉLÉMENTAIRE, SECONDAIRE et SUPÉRIEUR. On pourrait en effetremplacer dans ce passage, les occurrences de« primaire » et de « secondaire » par des références àn'importe quel autre élément de cet ensemble.

Il apparaît, dans de nombreux domaines de spécialité,que l'organisation des connaissances fait apparaître desensembles conceptuels analogues, composés de notionsà la fois interdépendantes et disjointes, ensembles quenous appelons ici axes sémantiques. Cette notion nouspermet tout d'abord d'introduire une nouvelle notation,permettant, pour l'exemple précédent, de donner unereprésentation du thème du segment S0 pris dans sonensemble : pour signifier que son noyau thématique yest envisagé relativement à l'axe des niveaux scolaires,on notera :

ℑ(S0) = LE RETARD SCOLAIRE ⊷ NIVEAUX SCOLAIRES

4 Connaissances et discoursLa notion d'axe sémantique est également exploitée

par notre méthode d'analyse automatique pour pallier lemanque de marquages explicites de la structure dudiscours qui peut apparaître dans certains cas. Parexemple, dans l'extrait précédent, si le statut de satelliteest explicitement marqué dans le cas de P2 (qui constitueun introducteur de cadre de discours [4]), il n'en va pasde même pour P1 qui serait au contraire un noyau si l'onconsidérait isolément la phrase qui l'héberge. Plusgénéralement, parmi l'ensemble des configurationsdiscursives que nous avons identifiées, certaines ne sontque partiellement marquées, et leur interprétation peutfaire intervenir des connaissances du domaine.Réciproquement, nous faisons l'hypothèse que c'estjustement la proéminence d'un axe sémantique quiautorise l'absence totale ou partielle de marquesdiscursives. Nous exploitons donc la donnée de ces axespour guider la segmentation du discours quand lesmarques explicites font défaut. Par exemple, dansl'extrait précédent, la présence d'un élément de l'axeNIVEAUX SCOLAIRES dans une position caractéristique (« lesecondaire ») déclenche la recherche d'autres élémentsdu même axe (ici « le primaire »), et conduit à lasegmentation décrite ci-dessus.

5 Extraction automatiqueNotre méthode d'extraction automatique de ces axes

est elle-même intimement liée au principe d'interactionconnaissances / discours, en reposant principalement surla notion de fonction discursive. Nous nous appuyons eneffet sur l'hypothèse que si les termes constitutifs desaxes structurants n'apparaissent pas systématiquementdans des positions caractéristiques, ils y apparaissentplus fréquemment que les autres. De ce fait, l'analyseglobale d'un corpus doit permettre d'extraire les termes

susceptibles d'appartenir à des axes du domaine étudié.Pour cela, nous évaluons les fonctions discursivesassumées par chaque terme du corpus : la valeurstructurante d'un terme (c'est à dire sa propension àjouer le rôle de satellite) sera d'autant plus élevée qu'ilapparaît fréquemment dans les situations suivantes,caractéristiques de la fonction satellitaire : introducteurde cadre ; construction clivée ; initiale de paragraphe ;extension syntagmatique ; titraille ; saillancedistributionnelle (type tf∙idf).

Une seconde phase vise le regroupement en axessémantiques des termes possédant les plus fortes valeursstructurantes. Les critères utilisés pour cela sont de deuxordres. Les premiers agissent au niveau syntagmatique :le système regroupe les termes apparaissant de façonfréquente en tant qu'extension prépositionnelle d'unemême tête. D'autre part, interviennent des critèresd'ordre phrastique ou discursif, basés sur la notion deco-énumérabilité. Là encore, la particularité de notreapproche et de prendre en compte la dimensiondiscursive de ce phénomène, et non pas seulementsyntaxique. Nous évaluons ainsi les configurationssuivantes : relations de coordination ; énumérations ;appositions uniformes de constructions discursivescaractéristiques ; titres parallèles. Finalement, les axesobtenus sont eux-mêmes pondérés par la moyenne despoids attribués à leurs composantes, ce qui permet deprésenter à l'utilisateur des axes triés par ordre depertinence, pour finalement être ajustés manuellement.

6 ConclusionLes méthodes d'analyse et d'extraction ici présentées

ont été implémentées à l'aide de la plate-formeLinguaStream [1]. Une première évaluation qualitativedes résultats obtenus a été menuée sur différents corpusde taille relativement restreinte, et fournit des résultatsencourageants. Une évaluation quantitative etsystématique à plus grande échelle est actuellement àl'étude.

Références[1] F. BILHAUT. « The LinguaStream platform ».  Proceedings

of   Spanish   Society   for   Natural   Language   ProcessingConference, Alcalá de Henares, Espagne, 2003.

[2] F.   BILHAUT.   « Analyse   automatique   de   la   structurethématique   du   discours   pour   la   navigationdocumentaire »,  Journée  ATALA « Modéliser   et   décrirel'organisation   discursive   à   l'heure   du   documentnumérique », La Rochelle, France, 2004.

[3] F.   BILHAUT.   « La   notion   de   "thème   composite"   pourl'analyse  thématique automatique  du  discours »,  Rapportinterne du GREYC, 2005. À paraître dans Sémantique etTALN, sld P. ENJALBERT, Hérmès, 2005.

[4] M.  CHAROLLES.   « L'encadrement   du   discours   –   Univers,champs,   domaines   et   espaces »,  Cahiers   de   recherchelinguistique, 6, 1997.

4

Evaluation d’un système Web Socio Sémantique en recherche d’information

Jean-Pierre Cahier, Nadia Gauducheau, L’Hédi Zaher, Manuel Zacklad

ISTIT Fre CNRS 2732, Equipe Tech-CICO, Université de Technologie de Troyes, 12 rue Marie Curie, BP 2060, 10010 Troyes cedex {prénom.nom}@utt.fr

Résumé Un dispositif expérimental a permis de mesurer

certains point de comparaison entre les perfor-mances de sujets utilisant i) une aide à la naviga-tion basé sur les principes du Web Socio Sémanti-que et recourant à une approche d’IC (outil Ago-ræ), ii) un moteur de recherche et iii) la navigation dans une structure simple de mots clés.

Mots clés : évaluation, ontologie sémiotique, recherche d’information, Web socio sémantique.

1 Introduction La recherche présentée est un travail pluridisciplinaire

articulant les préoccupations de chercheurs en IC avec les problématiques en psychologie cognitive sur les aides à la RI. Il s’agit d’évaluer le système Agoræ, dispo-sitif d’aide à la navigation basé sur les ontologies sémiotiques [9] et les principes du Web Socio Sémantique [2], et de com-parer différents dispositifs de RI pour suggérer des critères de conception d’aide à la navigation.

Appliquées à la caractérisation de ressources documen-taires, les ontologies sémiotiques offrent une modélisation du domaine prenant en compte les besoins en gestion d’information (recherche, classement…) d’une communau-té d’utilisateurs. Basées sur une approche d’IC visant à capitaliser l’expérience d’experts du domaine considéré [1] [2], à la différence des thésaurus, elles recourent à des points de vue multiples mettant en relief différentes facet-tes des ressources considérées et exploitent des relations plus riches que ces derniers entre les expressions caractéri-sant les ressources (les « thèmes »).

2 Environnements et modèles La RI s’appuie sur deux classes d’environnements.

Dans un dispositif par requête (par exemple, moteur de recherche), le sujet interroge sur les « documents » conte-nus dans sa base. La requête est comparée avec les repré-sentations des documents dans la collection [4]. Pour être utilisés pleinement, ces outils impliquent des connaissances sur la façon dont le système opère. Des travaux expérimen-tent des systèmes aidant l’utilisateur dans la formulation et reformulation de la requête, ou s’intéressent à l’effet des techniques de visualisation des réponses [3].

Dans un système par navigation, la structuration des in-formations guide l’utilisateur au long de sa recherche. Son utilisation ne nécessite pas de connaissances sur le fonc-tionnement informatique. En revanche, il conduit souvent à un phénomène de désorientation. Une solution pour palier à ce problème est de fournir à l’utilisateur une carte du site, sous forme de liste (table des matières, index) ou sous forme graphique. L’approche du Web Socio Sémantique implique la conception d’un dispositif de navigation utili-sant des ontologies sémiotiques, offrant de multiples points de vue sur les ressources et pouvant évoluer selon les be-soins des utilisateurs et les évolutions du domaine (FIG. 1).

FIG. 1 : Exemple simplifié extrait de l’ontologie sémioti-que utilisée, concernant les UV d’une Université

D’autre part, nous avons analysé pour cette étude les différents modèles cognitifs associés à la RI. Activité ex-ploratoire, la RI est aussi une activité de résolution de problème. Ainsi la RI dans un hypertexte peut être analy-sée [7] comme un cycle de trois processus, l’évaluation, la sélection et le traitement. Trois types de connaissances sont impliquées [8] dans la navigation : les connaissances du domaine, les connaissances métadocumentaires et les connaissances opératoires sur l’utilisation des outils. Les ontologies sémiotiques apportent notamment des connais-

Fiches descriptives des UVs

par SavoirsFondamentaux

Gestion et organisation

Sciences desorganisations

UV_ZA17UV_SA01

Métierscommerciaux

Commerce international

Bureau d’études

UV_KA11

Eco-conception

Conception /développement

parMétiers

par Techniques et Méthodes

Légende (modèle HyperTopic):Point de Vue : Thème: Entité: Ressource:

5

sances métadocumentaires. Enfin, la RI relève des problè-mes de « conception » reposant sur la planification [6], la RI consistant en un changement de représentation du pro-blème prenant en compte les contraintes.

Finalement pour nous la RI est une activité d’exploration où la représentation se construit au fil de la recherche . C’est une activité cyclique qui enrichit progres-sivement la représentation du but de l’utilisateur. Cette activité implique des changements de systèmes de repré-sentation incluant des plans déclaratifs du domaine.

3 Expérimentation et résultats Deux questions ont été dégagées de cette analyse pour

guider l’évaluation du dispositif de navigation préconisé dans le cadre d’une approche « Web Socio Sémantique ». D’une part, un système de navigation permet-il d’être plus efficace qu’un système par requête ?. D’autre part une carte du domaine s’appuyant sur les ontologies sémiotiques est-elle un système d’aide à la navigation efficace?

Trois groupes d’ étudiants ont réalisé une tâche de RI en temps limité (30 minutes) dans un catalogue informatisé sur Internet., respectivement avec un moteur de recherche, un système par mots-clés et l’outil Agoræ. Nous avons analysé l’effet du système de RI sur leurs performances. Les utilisateurs du moteur ont proposé davantage de répon-ses (m=11.3) que les utilisateurs des sites par navigation (F(1,30)=13.13, p<0.002), c’est-à-dire avec Agoræ (m=8.1) et avec le site par mots-clés (m=8.2). Il semble donc que la RI avec aide à la navigation soit plus coûteuse en temps. Le nombre de réponses correctes est similaire dans les trois systèmes (F(2,30)=1.21, ns), entre 3.5 et 4.3 sur 12 en moyenne (cf. tableau 2 ).Le taux de réponses correctes correspond au nombre de réponses correctes divisé par nombre total de réponses fournies par le sujet. Cela permet de déterminer si le sujet propose des réponses adéquates ou au contraire s’il fait souvent des erreurs. Le taux de réponses correctes avec Agoræ est supérieur (53%) par rapport aux utilisateurs du moteur de recherche (35%) ((F (1,30)=4.42, p<0.05)..

4 Discussion et perspectives La comparaison entre systèmes différents ne permet

pas toujours d’observer des différences notables et in-terprétables [5] [6]. Cependant la meilleure fiabilité des réponses obtenues avec Agoræ nous semble d’autant plus convaincante que le moteur de recherche s’appuie ici sur une base de documents de petite taille.

A ce stade, les résultats de cette étude sont encoura-geants. Ils montrent la supériorité à certains égards des performances obtenues avec l’ontologie sémiotique par rapport au moteur. Néanmoins, l’évaluation d’Agoræ doit être complétée par d’autres expériences. Ainsi, il est envi-sagé de proposer des tâches permettant de repérer les connaissances que les participants ont construites après utilisation du système. Cela permettrait de montrer que l’efficacité des ontologies sémiotiques est bien liée à un

enrichissement de la représentation de la connaissance de l’utilisateur. Cette question est d’autant plus importante que les enjeux de la conception de systèmes de RI sont non seulement de trouver l’information « recherchée » mais aussi d’apprendre dans un domaine de connaissance [4].

D’autres expérimentations sont en préparation pour compléter l’évaluation du système Agoræ, cette fois pour son apport à la conception d’ontologie sémiotique. La qualité d’une ontologie sémiotique repose en amont sur un investissement permanent en IC, l’ontologie de-vant rester en phase avec les acteurs et leur environne-ment complexe et changeant. Cette qualité suppose une approche à la fois de travail coopératif et d’IC [1] pour déterminer entre experts du domaine les points de vue et les autres éléments nécessaires pour structurer l’ontologie sémiotique.

Références [1] Cahier J.-P. & Zacklad M. (2002), Approche cognitive

de la co-construction d’un catalogue multi-points de vue et multi-experts. Actes de la Conférence Extraction et Gestion des Connaissances (EGC), Montpellier 2002, p.221-226, Hermes

[2] Cahier, J.-P., Zacklad, M., Monceaux, A., Une applica-tion du Web socio sémantique à la définition d’un an-nuaire métier en ingénierie, Actes des journées Ingénie-rie des Connaissances, mai 2004, Lyon.

[3] Ciaccia, A., Martins, D., Recherche d'informations sur le Web : Etude de l'influence de facteurs liés à l'inter-face, à l'utilisateur et à la tâche, Revue d'intelligence ar-tificielle, 19, 1/2, 2005, p.159-177.

[4] Dunlop, M. D., Johnson, C.W., Reid, Exploring the layers of information retrieval evaluation, Interacting with computers, 10, 1998, p. 225-236.

[5] Kahn, J. (2000). Dynamique de l’interaction Personne-Système de recherche d’Information, Thèse de doctorat, CNAM, Paris, 2000.

[6] Kolmayer, E. (1998). Démarche d’interrogation docu-mentaire et navigation. In J.F. Rouet et B. De La Pas-sardière (eds.), Quatrième colloque Hypermédias et ap-prentissage, Poitiers, 1998, p.121, 134.

[7] Tricot, A., Drot-Delange, B., El Boussarghini, R., Fou-cault, B. Quels savoir-faire les utilisateurs réguliers du web acquièrent-ils? Revue d’Intelligence Artificielle, vol 14, n°1-2, 2000, p. 93-112.

[8] Tricot, A., Rouet, J.-F., Activités de navigation dans les systèmes d’information. In J.M. Hoc & F. Darses (eds.), Psychologie ergonomique : tendances actuelles, pp. 71-95, 2004.

[9] Zacklad, M., Introduction aux ontologies sémiotiques dans le Web Socio Sémantique, conférence ingénierie des connaissances 2005, Sophia Antipolis, 31 mai 2005

6

Vers un système d’aide à la vei l le technologiqueguidé par une ontologie

Tuan-Dung Cao*†, Rose-Dieng Kuntz*, Bruno Fiés † et Marc Bourdeaux †

*INRIA, Equipe ACACIA, 2004, route des Lucioles, B.P. 93, 06902 Sophia Antipolis France{Tuan-Dung.Cao | Rose.Dieng}@sophia.inria.fr

†CSTB, Centre Scientifique et Technique du Bâtiment, 290 route des Lucioles B.P.209 06904 Sophia Antipolis France{Dung.Cao | Bruno.Fies | Marc.Bourdeau}@cstb.fr

RésuméDans le domaine de la veille technologique, il

est important de pouvoir découvrir desinformations pertinentes en provenance de sourceshétérogènes, en particulier celles du Web. Le WebSémantique devrait permettre la recherche etl’accès intelligent à l’information grâce àl'utilisation d’annotations sémantiques sur lesressources du Web, annotations basées sur desontologies. Nous décrivons une nouvelle approchebasée sur une ontologie pour construire unsystème multi-agents d’aide à la veilletechnologique.

Mots clés : Ontologies ; Web Sémantique ;Veille Technologique ; Génération desannotations ; Système Multi-Agents.

1 IntroductionLa veille technologique vise à identifier et évaluer des

progrès technologiques importants pour la capacitéconcurrentielle de l’entreprise concernée, et à détecterdes changements et des discontinuités des technologiesexistantes. Le Web, considéré comme la sourced'informations en ligne la plus gigantesque, pourrait êtreune mine d'or pour la veille technologique. La tâche deveille est actuellement effectuée par les acteurs humains

à l'aide des moteurs de recherche classiques mais cesderniers ne donnent parfois pas les résultats prévus car

ils ne tiennent pas compte du contexte et de lasémantique de l'information. Les technologies du Websémantique devraient donc permettre une recherchedocumentaire sémantique basée sur des annotationssémantiques reposant sur des ontologies.

Dans cet article, nous présentons notre approche baséesur le Web sémantique pour construire un systèmed'information supportant le processus de veilletechnologique au CSTB (Centre Scientifique etTechnique du Bâtiment), en reposant sur une ontologieet un système multi-agents.

2 Système proposé

2.1 Processus de veille et rôle del’ontologie

Nous avons tout d ’abord proposé une description duprocessus de veille au CSTB en reposant sur le modèlegénéral de veille proposé par Lesca [4] dont les phasessont : ciblage, détection et identification des ressources,collecte et sélection des information, analyse ettraitement, stockage, validation et diffusion.

L'exploitation d'une ontologie pourrait être utile dans

plusieurs phases : ciblage, analyse et traitement. Uneontologie peut aider à éviter l'ambiguïté du contexte de

Recherche

Sémant ique

D o c u m e n t W e b

D o c u m e n t Intranet

Observ a teu r

Thèmes de c ib lage , Conna i s sance du

d o m a i n e

O n t o l o g ie

Agent déd ié à ontologie

Mote ur de recherche

B a s e d’annota t ions

requête

résul ta t

ré sult a t

requête

annotat ion requête

Agent dédié à la recherche & l ’annotat ion

Anno ta teu r

7

recherche, en permettant de préciser davantage laformulation de la requête. Avec une ontologie décrivantles diverses sources d'information, le système pourralancer des agents logiciels spécifiques , dédiés à chaquesource, pour rechercher l'information. En outre, le rôle de l'ontologie est important car elleoffre les primitives pour construire les annotationssémantiques, qui peuvent être utilisées pour annoter lecontenu des ressources, les documents sur le Web. Cesannotations peuvent alors être utilisées par des agentslogiciels pour faire de la recherche intelligente sur leWeb (externe ou interne).La tâche d’annotation manuelle assure la qualité d’uneannotation sémantique mais elle est coûteuse en tempset en personnes pour les veilleurs . Il est donc utile depouvoir la remplacer par des méthodes d’annotationsemi-automatique.

2.2 Approche et architecture

Basée sur les technologies du Web Sémantique, notreapproche vise à développer un système qui recherchel'information en reposant sur une recherche sémantiqueautant que possible. Pour atteindre ce but, les ressources duWeb qui contiennent des informations pertinentes pour latâche de veille technologique doivent être décrites par uneou plusieurs annotations sémantiques. D’où l'idéeprincipale de notre solution : quand un document estrecherché, le système essaiera tout d'abord de faire unerecherche sémantique sur les ressources déjà annotées.Quant aux autres ressources du Web pertinentes pour cettequestion mais non encore annotées, il est nécessaire de lesdécouvrir sur le Web puis de les annoter et de stocker leursannotations dans une base d'annotations où ces annotationsseront ainsi disponibles pour des requêtes ultérieures desutilisateurs.

Les principaux composants dans notre système sont :a) L’interface utilisateur : elle permet au veilleur despécifier les thèmes de veille, en choisissant lesconcepts dans l’ontologie. La requête est alors générée,complétée et envoyée au système.b) Le module d’annotation : il permet d’alimenter labase d’annotations sémantiques . Il comprend des agents« wrappeurs » qui extraient semi-automatiquement lespages Web connues par les veilleurs, et des agents« annotateurs » qui utilisent l’ontologie pour générer etenvoyer les requêtes au moteur de recherche Googlepour découvrir de nouvelles pages , puis extraient desinformations dans les résultats de recherche afin deproduire des annotations.c) Le module de recherche sémantique : il effectue larecherche et les inférences en utilisant le moteur derecherche Corese [2] sur les annotations pour recueillirles références répondant les requêtes des utilisateurs.

Pour construire l’ontologie de la veille, nous avonsétendu l'ontologie O’CoMMA en format RDFS développée

dans le projet CoMMA [3] en y ajoutant des concepts plusspécialisés dans le domaine et intéressants pour la veille auCSTB et les concepts et les relations dédiées à la tâche deveille : Acteurs de veille, phases de veille, les sourcesd'informations et certains types de document.

2.3 Algorithme de génération desannotations

Nous avons conçu et implémenté un algorithmepermettant de rechercher les documents sur le Web enutilisant l’ontologie, puis de les annoterautomatiquement [1]. Certains concepts de l'ontologiesont choisis pour compléter la requête utilisateur en unerequête. L'avantage est l’utilis ation des conceptsdescendant des concepts initiaux dans l'ontologie pourconstituer la requête, ce qui aide à améliorer lapertinence des résultats de recherche obtenus à partird'un moteur de recherche classique.

3 ConclusionsNous avons proposé une approche pour construire

un système d'information supportant la veilletechnologique, basé sur l'utilisation d'une ontologie etde la technologie multi-agents. Quand le nombre deconcepts permis dans une requête est limité, nouspensons que la stratégie de choisir des concepts parmiles concepts descendants pourrait influencer les résultatsde recherche. Nous continuons d’améliorer notrealgorithme dans cette direction et mettons en place auCSTB une expérimentation permettant de l’évaluer.

Références[1] T.-D. Cao, R. Dieng-Kuntz, B. Fiès. An Ontology-Guided

Annotation System for Technology Monitoring. Proc. ofIADIS Int. WWW/Internet 2004 Conference, Madrid, Spain,October 6-9 2004, vol. 1, p. 651-658.

[2] O. Corby, R. Dieng-Kuntz et C. Fabron-Zucker. Querying theSemantic Web with the CORESE search engine. In Proc. ofECAI'2004, Valencia, IOS Press, p. 705-709, 2004.

[3] F. Gandon, R. Dieng-Kuntz, O. Corby et A. Giboin.Semantic Web and Multi-Agents Approach to CorporateMemory Management, Proc.of 17th IFIP WorldComputer Congress, p. 103-115, Montréal, 2002.

[4] H. Lesca. Veille Stratégique - Concepts et méthode demise en place dans l'entreprise. Third Int . Conf . onLanguage Resource and Evaluation, Spain, 2002.

.

8

METISSE, modèle de description de tâches orienté assis-

tance et suivi de l 'apprenant

Naïma El-Kechaï et Christophe Després*

* Laboratoire LIUM, Université du Maine, Avenue Laennec 72085 Le Mans Cedex 9

{elkechai, despres}@lium.univ-lemans.fr

Résumé

Nos travaux s'intéressent à l'analyse de l'activité

de l'apprenant réalisant une tâche dans un EIAH.

Cet article propose un modèle de description de

tâches pour analyser cette activité en vue de suivre

la progression de l'apprenant dans la réalisation de

la tâche et lui apporter de l'assistance. Ce modèle

est basé sur un modèle ergonomique MAD*, adap-

té et modifié par l'intégration du paradigme Tâ-

che/Méthode.

Mots clés : Analyse d'activité, Suivi et assis-

tance de l'apprenant, MAD*, Paradigme Tâ-

che/Méthode.

1 Introduction Nos travaux relèvent du domaine des Environnements

Informatiques pour l'Apprentissage Humain (EIAH).

Dans un EIAH, un apprenant qui réalise une tâche pres-

crite, produit une activité. Nous proposons d'analyser

cette activité selon un double objectif. D'une part, suivre

les apprenants dans leur activité d'apprentissage en les

assistant au besoin. D'autre part, rendre compte de cette

activité au tuteur tout en laissant le contrôle pédagogi-

que à ce dernier.

Pour définir les règles de rétroaction -vers l'apprenant

et le tuteur- nous proposons de modéliser la tâche pres-

crite en utilisant le modèle METISSE.

2 Contexte et problématique Le contexte de notre travail s'inscrit dans le cadre du

projet APLG (Atelier Pédagogique Logiciel Générique).

Ce projet s'intéresse à la conception d'environnements

pour la formation, fondés sur les techniques de réalité

virtuelle. Nous nous intéressons à des activités fondées

sur l'apprentissage par l'action (APA) [1], liées à la ré-

alisation de procédures dans le domaine de la formation

professionnelle (par exemple, la formation des agents de

conduite TGV à la vérification et à la maintenance d'ap-

pareils de voie).

Pour faire le suivi d’activités et apporter de

l’assistance, compte tenu du type d'environnements et

du type d'activités qui nous intéressent, les rétroactions

du système sont calculées en fonction de plusieurs ac-

tions de l'apprenant afin de mieux gérer les ambiguïtés

sur ses intentions (supposées) et de stratégies pédagogi-

ques. Pour ce faire, le système mesure les écarts entre la

tâche prescrite et la tâche effective.

3 Proposition de METISSE METISSE (Modèle de dEscription de Tâches pour

l'assIStance et le Suivi de l'apprEnant) sert à décrire la

tâche prescrite en termes de tâches et méthodes. Il est

basé sur le modèle ergonomique MAD* [2], que nous

avons adapté aux spécificités liées à l’apprentissage en y

intégrant le paradigme Tâche/Méthode [3].

METISSE est basé sur une unité constitutive, appelé

Tâche et qui représente la granularité minimale du mo-

dèle -toute tâche sera décrite par le concept Tâche. Ce

concept est caractérisé par deux aspects. Le premier est

appelé Définition et correspond aux caractéristiques

déclaratives de la tâche (décrit le quoi). Le second est

appelé Méthodes et correspond aux caractéristiques

procédurales de la tâche (décrit le comment).

3.1 L'élément Définition Objectif de la tâche : description en langage naturel de

l'objectif assigné à la tâche.

Conditions : description des conditions dans lesquelles

il est possible de réaliser la tâche. Les conditions s'ex-

priment en fonction des objets du monde.

Résultats attendus : description des résultats attendus

suite à l'exécution de la tâche. Les résultats s'expriment

en fonction des objets du monde. Ce champ est utilisé

par le système pour le mesurer au résultat obtenu par

l'apprenant.

Des attributs :

1. Facultative : attribut indiquant si la tâche est fa-

cultative ou non. Par exemple, le système peut ne

pas tenir compte d'une tâche facultative si elle a été

omise par l'apprenant;

2. Centralité de la tâche : attribut indiquant l'impor-

tance de la tâche du point de vue du concepteur pé-

dagogique. Il est intégré dans METISSE afin de

l'exploiter pour l'assistance. Il peut servir dans les

prémisses des règles de rétroaction données au tu-

teur et/ou à l'apprenant. Un exemple de règle du

premier type est ({« Si une tâche Ti a une centralité

importante » et « l'apprenant, en la réalisant, fait

9

beaucoup d'erreurs » et « assistance système déjà

proposée »} alors {avertir le tuteur}). Un exemple

de règle du second type {« Si une tâche de haut ni-

veau d'abstraction Tj a une centralité importante » et

« l'apprenant, en la réalisant, fait des erreurs » et

« Tj comporte des tâches filles avec une centralité

faible »} alors {proposer à l'apprenant une version

simplifiée de Tj en élaguant ces tâches filles}. L'ob-

jectif de cette dernière règle incite ainsi l'apprenant

à se concentrer, dans un premier temps, sur ce qui

est plus important;

Les méthodes associées avec préférences : ensemble

des méthodes associées à la tâche (qui permettent de la

réaliser) avec deux types de préférences. Le premier est

lié à un choix de réalisation, le second est lié à un choix

pour l'explication. Soit une tâche T avec trois méthodes

M1, M2 et M3. Si le tuteur décide que pour réaliser la

tâche T, M2 est la plus pertinente (optimale) mais que

pour comprendre T, M1 est plus indiquée (pédagogique)

sans pour autant être optimale. La méthode M3 est cor-

recte sans être optimale ni suffisamment explicative.

Dans le cas où l'apprenant réalise T avec M3 ou le cas

où il échoue à réaliser T en ayant tenté toutes les métho-

des (commence une méthode puis l'abandonne puis tente

une autre méthode sans y arriver), l'assistance du sys-

tème peut consister à guider, de manière soutenue, l'ap-

prenant à réaliser T par la méthode M1 en apportant des

explications (soutien méthodologique) ou encore en

faisant du rejeu (revoir les scènes après une session) en

revenant sur les erreurs commises. Si, par contre un

apprenant réalise T avec M2, un type de rétroaction

possible consiste à éliminer les conditions favorables à

l'exécution de M2 ou les ressources qu'elle utilise (sou-

tien tactique) pour le mettre en situation de résolution de

problèmes et observer comment il va adapter sa résolu-

tion à une nouvelle situation.

3.2 L'élément Méthodes Nom de la méthode : description en langage naturel du

nom de la méthode.

Les résultats produits : description des résultats pro-

duits par la méthode.

Contexte d'entrée (CE) : description du contexte dans

lequel elle peut être mise en œuvre.

Contexte favorable (CF) : description du contexte

dans lequel la méthode est pertinente. Ce contexte per-

met de différencier les méthodes candidates qui permet-

tent de réaliser la tâche et qui ont leur CE vérifié. Par

exemple, dans la procédure de maintenance d’appareils

de voie, les conducteurs de TGV doivent rendre compte

de la manœuvre réalisée (voir Fig. 2). La tâche [Ren-

dreCompte] a deux méthodes « RendreCompteSur-

Voie » et « RendreCompteDansTrain ». Le CF de

« RendreCompteSurVoie » est {(Téléphone disponible

entre moteur manœuvré et train) et le CF de « Rendre-

CompteDansTrain » est {(Téléphone est sur voie oppo-

sée) et/ou (présence de brouillard)}. En effet, dans ces

conditions, il est préférable de regagner le train pour

rendre compte plutôt que traverser sans être sûr qu'au-

cun train ne circule sur cette voie (sécurité vérifiée) ou

de perdre du temps à chercher un téléphone sur la voie

par un temps de brouillard.

FIG. 1 – La procédure Maintenance décrite avec METISSE

Des ressources : description des connaissances ou des

objets nécessaires à l'exécution de la méthode. Par

exemple, la méthode « RendreCompteSurVoie » a

comme ressource (Téléphone disponible sur la voie).

Type de la méthode : deux types de méthodes sont

prévues, les méthodes de décomposition et des méthodes

simples.

1. Les méthodes de décomposition sont constituées du

constructeur qui précise l'ordre d'exécution des

sous-tâches suivi de la liste des sous-tâches issues

de la décomposition, exemple : PAR (T1, T2, T3),

2. Les méthodes simples décrivent les actions.

Les Constructeurs de METISSE : nous retenons les

constructeurs (SEQ, PAR, OU, ET) de MAD*. Nous sup-

primons ALT en tant que constructeur pour le remplacer

par la notion de méthode et nous modifions la sémantique

de SIM. Dans METISSE, SIM est un constructeur qui

décrit des tâches qui doivent s'exécuter de manière conco-

mitante par un même apprenant. Par exemple, dans l'ap-

prentissage de la conduite automobile, les tâches [em-

brayer] et [accélérer] sont deux tâches simultanées.

Références [1] C. George. Apprendre par l’action. Paris : PUF, 1989.

[2] D. Scapin et J.M.C. Bastien. Analyse des tâches et

aide ergonomique à la conception : l'approche MAD*.

In KOLSKI (Ed.), Analyse et conception de l'IHM (pa-

ges 85-116, France, 2001.

[3] F. Trichet et P. Tchounikine. DSTM : a Framework

to Operationalize and Refine a Problem-Solving Method

modeled in terms of Tasks and Methods. Proceedings

International Journal of Expert Systems With Applica-

tions (ESWA), pages 105-120, 1999.

Procédure Maintenance

Rendre Compte

Dans Train

Rendre Compte

Sur Voie

….

Aller VersTéléphone Téléphoner

….

SEQ

SEQ

Tâche abstraite

Rendre compte

Tâche concrète

(action)

Méthode

….

10

Médiation et environnement intégré d’ingénierie ontologique

Fabien Jalabert, Sylvie Ranwez, Michel Crampes, Vincent Derozier

Centre de recherche LGI2P – Ecole des Mines d’Alès Parc Scientifique Georges Besse, F 30 035, Nîmes Cedex 1

{prenom.nom}@ema.fr

Résumé L’ingénierie des connaissances s’accorde au-

jourd’hui à considérer la conception d’une res-source terminologique et ontologique comme in-crémentale, essentiellement manuelle et spécifique à une tâche et à un domaine. Nous proposons un nouveau modèle d’environnement d’ingénierie on-tologique qui place l’utilisateur et la réutilisation au centre de l’outil et qui prend en compte l’itérativité de la démarche.

Mots clés : Environnement d’ingénierie ontolo-

gique, médiation, réutilisation, adaptabilité.

1 Introduction Nous sommes actuellement investis dans le pro-

gramme ToxNuc-E1 qui fédère 665 chercheurs autour d’une thématique transversale aux sciences du vivant : la toxicologie nucléaire environnementale. Cette théma-tique naissante ne possède aucune ressource terminolo-gique ou ontologique (RTO) propre et adaptée. Cepen-dant chaque corps de spécialistes s’appuie déjà sur ses propres ontologies. Une ontologie globale et générique à toutes ces disciplines est impossible à concevoir. Nos recommandations sont donc de fournir au cas par cas une ressource spécifique adaptée à chaque besoin.

Nous proposons un nouvel environnement d’ingé-nierie ontologique qui réutilise les ressources existantes dans la philosophie d’UMLS2 et prend en compte la médiation dès la conception. L’interopérabilité et la réutilisabilité sont ainsi facilitées.

La section suivante situe notre travail au sein de l’état de l’art après quoi sont détaillés nos deux problémati-ques : médiation et itérativité dans la conception.

2 État de l’art

2.1 Ingénierie des connaissances Différents types de ressources existent [2] (ontologies,

terminologies, thésaurus, etc.). Notre travail s’applique

1 http://www.toxnuc-e.org 2 http://www.nlm.nih.gov/research/umls/

au domaine des sciences du vivant où la distinction n’est généralement pas effectuée. Dans le cadre du pro-gramme ToxNuc-E, les besoins sont explicités à diffé-rents niveaux de formalisme : Nous emploierons donc le terme de ressource terminologique et ontologique (RTO) pour conserver une approche générale.

La conception d'une RTO s'effectue généralement sui-vant trois étapes : (1) la constitution du corpus, (2) l'ex-traction de connaissances à partir du corpus puis (3) la finalisation par l'expert qui réorganise les concepts et les relations obtenues. Suivent alors la mise en œuvre de l'ontologie, son évaluation et sa validation. Ces derniè-res étapes sont réservées à l’expert du domaine et l'envi-ronnement de conception n'y joue aucun rôle majeur. Nous ne les traitons pas dans cet article. De façon trans-versale à ces différentes étapes, la conception d’une ontologie est considérée comme itérative. Dans la prati-que, les raffinements effectués dans la troisième partie sont progressifs et les évaluations donnent lieu à diffé-rentes corrections.

2.2 Environnements d’ingénierie on-tologique

Les outils pour la conception de RTO sont particuliè-rement nombreux aujourd'hui et différents états de l'art existent déjà3 [1,3]. De cet état de l’art nous dégageons plusieurs caractéristiques récurrentes : éditions collabo-rative (basée sur des architectures trois tiers ou client serveur), méthodologie associée, utilisation de méca-nismes d’inférence et de vérification de consistance et interface utilisateur. Le travail le plus proche de nos problématiques est certainement l’environnement Hozo4. À travers son approche des ontologies distribuées, il s’intéresse aux répercussions des modifications d’une ontologie sur les autres ressources en cours de concep-tion. Dans ces différents environnements, nous avons généralement observé un manque de considération pour deux problématiques : la médiation et l’itérativité de la démarche.

3 http://www.xml.com/pub/a/2004/07/14/onto.html http://hcs.science.uva.nl/wondertools/index.html 4 http://www.ei.sanken.osakau.ac.jp/hozo/eng/index_en.php

11

3 Médiation et réutilisation Notre objectif est la conception de plusieurs RTO de

façon transversale aux sciences du vivant. Des ressour-ces multiples existent déjà, et sont entreposées au sein d’UMLS qui représente un médiateur entre-elles. Nous proposons de baser notre conception sur ce médiateur.

3.1 La réutilisation Nous projetons de réutiliser les ontologies mises à

dispositions dans UMLS et d’enrichir ce médiateur en lui ajoutant les nouveaux concepts relatifs à la toxicolo-gie nucléaire environnementale. Nous espérons ainsi accélérer la conception.

L’environnement de conception doit prendre en compte l’existence de RTO et permettre à l’utilisateur de les visualiser. La capture d’écran (FIG. 1) montre les premiers résultats graphiques obtenus. Les concepts dessinent un graphe superposé à des ensembles repré-sentant les ontologies existantes (les cercles). La visua-lisation est un outil de décision précieux. Par exemple, il est possible pour l’utilisateur de constater qu’une onto-logie ne correspond pas à la modélisation qu’il souhaite effectuer. Il peut ainsi choisir de supprimer l’ensemble de ses concepts. De même, il peut observer que deux ontologies décrivent un ensemble commun de concepts et décider de privilégier l’une des deux. Lors d’une contradiction entre relations sémantiques, une priorité peut être accordée.

Cette visualisation ensembliste permet de faire appa-raître des contextes qui peuvent être autres. Notamment, nous envisageons de visualiser la communauté de cher-cheurs. Les termes sont visualisés par rapport à leur emploi par certaines équipes de chercheurs.

FIG. 1 – L’environnement permet de visualiser les concepts et leur appartenance à des RTO existantes avec des fonctionnali-

tés de zoom, déplacement, etc.

3.2 La médiation La nouvelle RTO est donc directement incorporable

dans UMLS, ce qui en améliore réutilisabilité. De même elle est interopérable avec les ressources existant au sein d’UMLS. Par conséquent, les différentes ressources produites concernant le programme ToxNuc-E seront toutes interopérables.

Avec l’évolution du programme, des grappes de res-sources vont être développées et vont se recouper. Parmi les concepts mis en jeu, certains concerneront de façon

générale les sciences du vivant et seront présents dans d’autres ontologies d’UMLS. Au contraire, un ensemble de concepts sera spécifique aux ressources de ToxNuc-E. Notre objectif est ainsi de voir émerger une ressource propre à la toxicologie nucléaire.

4 Adaptabilité de l’interface L’adaptabilité de l’interface et l’aspect incrémental de

la démarche de conception ne sont jamais réellement exploités dans les environnements. Alors que la com-munauté s’est accordée sur le bien fondé de ces caracté-ristiques, les environnements actuels sont d’une inter-face assez simple. Une procédure d’extraction est effec-tuée, puis traitée lors de l’édition par l’utilisateur. Si les interfaces sont en général conviviales, elle n’effectuent aucun apprentissage et ne possèdent aucune adaptabilité, mis à part les avertissements de violation de consistance fournis par certains mécanismes d’inférence. Notre envi-ronnement replace l’utilisateur au centre en proposant une approche évènementielle de l’interaction. Les opéra-tions effectuées par l’utilisateur peuvent ainsi être ex-ploitée par l’interface et se répercuter en terme de perti-nence sur des concepts en fonction d’un contexte com-mun ou différent. Par exemple, si les termes concernant la génomique sont successivement enlevés et d’autres concernant la protéomique conservés, l’interface peut, en fonction d’une relation de proximité thématique, décider de diminuer la pertinence de certains concepts ou d’augmenter pour d’autres.

5 Conclusion Nous proposons une nouvelle approche transversale

des environnements d’ingénierie des connaissances. Nous utilisons les résultats du génie logiciel afin de replacer l’utilisateur au centre de l’outil, les événements permettant de tirer partie de l’itérativité de la concep-tion. Des techniques de visualisation d’information sont ainsi mises en œuvre pour lui permettre de contextuali-ser la ressource et lui fournir une aide à la décision. Ce contexte découle, par exemple, des ontologies existantes et des communautés de chercheurs qui emploient les termes. L’environnement est en cours de conception, les premiers résultats semblent encourageants.

Références [1] O. Corcho , M. Fernandez-Lopez et A. Gomez-Perez

Methodologies, tools and languages for building ontolo-gies : where is their meeting point ? Actes Data knowl-edge Engineering, Vol 46(1), ppages 41-64, 2003.

[2] R. Mizoguchi Ontology engineering environments. In Handbook on Ontologies, pp. 275-298, Editeurs S. Staab, R. Studer, Springer-Verlag, 2004.

[3] R. Mizoguchi, Le rôle de l’ingénierie ontologique dans le domaine des EIAH, Entretien réalisé par J. Bourdeau, Re-vue Sticef (Science et technologie de l’information et de la communication pour l’éducation et la formation), Vol 11, 2004.

12

Système de recherche d’informations basé sur la proximitédes termes retrouvés dans les documents

Annabelle Mercier, Michel Beigbeder*

* Centre G2I/RIM, Ecole Supérieure des Mines de Saint-Etienne, 158 Cours Fauriel 42023 Cedex 2 St-Etienne,http://www.emse.fr, {mercier,beigbeder}@emse.fr

RésuméNotre étude se situe dans le cadre de la recher-

che d’informations bien connue à travers les mo-teurs de recherche sur la Toile. Nous supposonsque plus les termes employés dans la formulationde la requête d’un utilisateur se retrouvent prochesdans un document alors plus ce dernier doit êtresitué en tête dans la liste des réponses. Pour véri-fier cette hypothèse, nous avons défini un modèleet réalisé des expériences. Nous proposons uneméthode de visualisation qui permet de mettre enévidence la proximité des termes de la requête re-trouvés dans les documents.

Mots clés : recherche d’informations ; proxi-mité des termes ; visualisation des documents. 

1 IntroductionEn recherche d’informations, trois modèles [1] fon-

damentaux existent : le modèle booléen – les documentset les requêtes sont représentés par l’ensemble des ter-mes qui les composent, – le modèle vectoriel – les do-cuments et les requêtes sont représentés par des vecteursdont les composantes sont les termes – et le modèleprobabiliste. La réponse d’un système de recherched’informations basé sur le modèle booléen est binaire cequi implique que les documents pertinents retournés àun utilisateur ne peuvent pas être classés, par contredans le cas d’un système basé sur le modèle vectoriel, lescore d’un document étant calculé par la méthode ducosinus – pris entre les vecteurs représentant la requêteet le document – les documents peuvent êtres classés carchacun possède un score différent pour une requêtedonnée. Le modèle booléen possède une extension quipermet de prendre en compte la proximité entre les ter-mes à l’aide d’un opérateur NEAR mais les réponsessont toujours binaires et l’ensemble des documents don-nés en réponse ne peut être classé. Le modèle que nousavons défini permet de prendre en compte les avantagesdes deux modèles précédents, c’est-à-dire la souplessedans l’expression des requêtes comme dans modèlebooléen et la possibilité de classement du modèle vecto-riel. De plus, nous prenons en compte la proximité destermes de la requête retrouvés dans les documents, ce-pendant nous n’utilisons pas l’opérateur NEAR car Mit-chell [5] a montré que sa généralisation est inconsis-

tante. il est en effet difficile d’interpréter l’opérationNEAR qui combinerait deux nœuds comme dans(AetB) NEAR (AouC).

2 ContexteDans l’état de l’art, nous avons étudié et reproduit

trois approches qui prennent directement en compte laproximité des termes de la requête retrouvés dans lesdocuments. Ces méthodes procèdent d’abord en sélec-tionnant les intervalles du texte qui contiennent lesmots-clés de la requête, les règles de sélection diffèrentselon les méthodes. La méthode de Clarke [2] sélec-tionne les plus petits intervalles possibles qui ne sontpas emboîtés, la méthode de Hawking [3] sélectionne lesintervalles contenant les mots-clés à partir de chaqueoccurrence d’un terme de la requête et la méthode deRasolofo [7] sélectionne tous les intervalles de texte quicontiennent deux termes de la requête à condition qu’ilssoient au plus séparés de quatre mots. Ensuite, à partirde chaque intervalle, une contribution au score, propre àchaque méthode, est calculée et la somme de ces contri-butions constitue le score du document entier pour larequête. Nous avons expérimenté ces trois méthodesafin de les comparer avec notre approche.

3 Modélisation de la proximitéAfin de calculer le score d’un document en fonction

de la proximité des termes de la requête qui s’y retrou-vent, nous définissons une méthode [4] basée sur laproximité floue de chaque position par rapport à la re-quête. Pour cela, nous modélisons la proximité en pointdu texte à une occurrence d’un mot par une fonctiond’influence qui atteint son maximum (valeur 1) à laposition de l’occurrence du terme dans le document etdécroît de chaque côté jusqu’à 0. Un paramètre k permetde définir le support de cette fonction ainsi quel’étendue de la zone d’influence d’une occurrence determe. Dans nos expériences, nous avons utilisé une

fonction triangulaire :

€

f (x) =max(k − xk

,0)Pour un terme t dans un document d, la proximité

floue est calculée en chaque position x du texte en pre-

13

nant la valeur de proximité floue de l’occurrence la plusproche et s’exprime par :

€

ptd (x) =

i∈Occ(t ,d )max f (x − i) où

Occ(t,d) est l’ensemble des positions du terme t dans ledocument d et f est la fonction d’influence.

Le modèle de requête est celui du modèle booléen.Une requête est donc représentée par un arbre avec desnœuds ET et OU. La proximité floue est calculée pourchaque terme de la requête ce qui correspond aux feuil-les de l’arbre puis l’évaluation de la requête s’effectueen remontant jusqu’à la racine. Comme dans le modèlede recherche d’informations classique utilisant la logi-que floue [6], nous effectuons l’évaluation d’un nœudET (resp. OU) avec la fonction min (resp. max) ce quicorrespond à l’intersection (resp. l’union) des sous-ensembles flous :

€

pqOU q' =max(pq, pq ' ) et pq ET q' =min(pq, pq ' )

4 Expérimentations

4.1 L’outilNous avons utilisé le système de recherche

d’informations MG [9] comme système de base quenous complétons pour garder la position des occurrencesdes termes dans un index particulier. Ceci nous permetde mettre en place un premier module afin de calculerles scores pour les trois méthodes basées sur les inter-valles du texte, la méthode de Clarke de Hawking et deRasolofo. Le second module permet de calculer le scoredes documents avec notre méthode de proximité floueutilisant des requêtes booléennes, nous avons mis enplace un nouveau mode d’interrogation « fuzzy » quipermet d’obtenir le score, nous gardons la représentation

de la proximité floue à la requête

€

pdq pour proposer un

mode de visualisation de la proximité des termes dansles documents pertinents.

Nous avons aussi utilisé l’outil LUCY [10] pour obte-nir le score BM25 de la méthode probabiliste Okapiainsi nous pouvons comparer les méthodes à based’intervalles, la méthode Okapi, la méthode vectoriellevia MG et notre méthode de proximité floue.

4.2 Les expériencesLe domaine de la recherche d’information possède des

collections de tests qui permettent d’évaluer les diffé-rentes méthodes. Nous avons utilisé la collection de testWT10G [11] avec les besoins d’informations 451-500[12] provenant de la campagne d’évaluation de la confé-rence TREC et les jugements de pertinence correspon-dants. Nous pouvons ainsi comparer les résultats obte-nus avec notre méthode avec les méthodes classiques.

4.3 La visualisation des résultatsÉtant donnée une requête, une fois les scores des do-

cuments calculés pour notre méthode, nous avons lapossibilité de présenter les résultats à l’utilisateur par lesméthodes traditionnelles des systèmes de recherche

d’informations ou des moteurs de recherche en classantles documents selon l’ordre de pertinence système. Afind’exploiter au maximum notre méthode de proximitéfloue, nous avons écrit un nouveau module qui permetde visualiser la représentation de la proximité floue dudocument à la requête. D’autres méthodes existent déjà,par exemple, les « TileBars » [13] permettent de visuali-ser les fréquences des termes de la requête dans les do-cuments. Notre méthode procède par affichage en ni-veau de gris, les positions du texte où les termes sontproches (donc la valeur de proximité floue y est grande)sont de plus en plus foncés, les endroits du texte où lestermes ne sont pas présents sont laissés transparentscomme ci-dessous :

Cette technique permet de montrer à l’utilisateur larépartition des termes et leur proximité dans le docu-ment. Nous avons ainsi une représentation visuelle desconnaissances accessibles dans le document à travers lesmots d’un document .

5 ConclusionNotre étude nous a permis d’améliorer un outil de re-

cherche d’informations pour qu’il prenne en compte laproximité des termes de la requête. Ceci nous a aussiconduit à proposer à l’utilisateur une manière plusconviviale de visualiser les résultats afin qu’il puisse sediriger plus facilement dans les documents pour retrou-ver les connaissances auxquelles il veut accéder.

Références[1] R. Baeza-Yates et B. Ribeiro-Neto. Modem Information

Retrieval. ACM Press, 1999.[2] C. L. A. Clarke, G. V. Cormack et E. A. Thudhope. Rele-

vance ranking for one to three term queries. InformationProcessing and Management, vol 36, 2000.

[3] D. Hawking et P. Thistlewaite. Proximity operators - sonear and yet so far. In Proceedings of TREC-4, 1995.

[4] A. Mercier, M. Beigbeder. Extraction de la localisation destermes pour le classement des documents. Actes de laConférence Extraction et Gestion des Connaissances,vol 2, Cepadues, 2005.

[5] P. C Mitchell. A note about the proximity operators ininformation retrieval. ln meeting on Programming lan-guages and information retrieval, ACM Press, 1973

[6] S. Miyamoto. Fuzzy sets in information retrieval andcluster analysis, 1990.

[7] Y. Rasolofo et J. Savoy. Term proximity scoring forkeyword-based retrieval systems. In Proceedings of ECIR2003.

[8] G. Salton et M. J. McGill. Introduction to Modem Infor-mation Retrieval. McGraw-Hill International, 1983.

[9] I. H. Witten, A. Moffat et T. C. Bell. Managing Gigabytes:Compressing and Indexing Documents and Images, 1999.

[10] http://www.seg.rmit.edu.au/lucy/[11] http://es.csiro.au/TRECWeb/wt10g.html[12] http://trec.nist.gov/data/topics_eng/topics.451-500.gz[13] M. A. Hearst, TileBars: Visualization of Term Distribu-

tion Information in Full Text Information Access In theProceedings of the ACM SIGCHI, 1995.

14

Noesis Annotation Tool : un outil pour l’annotationtextuelle et conceptuelle de documents

Rémi Patriarche, Séverine Gedzelman, Gayo Diallo, Delphine Bernhard, Cyr-Gabin Bassolet,Sylvain Ferriol, Amandine Girard, Maryline Mouries, Patrick Palmer, Ana Simonet et

Michel Simonet*

* Université Joseph Fourier. Faculté de médecine.INstitut de l'INgénierie et de l'INformation de santé (IN3S)

Laboratoire TIMC-IMAG38700 La Tronche, http://www.timc-imag.fr{prenom.nom*, michel.simonet}@imag.fr

RésuméAprès une présentation du cadre dans lequel cet

outil d’annotation a été conçu et réalisé – le projeteuropéen NOESIS – les fonctionnalités de l’outilsont détaillées ainsi que leur implantation.

Mots clés : Annotation, Indexation, Catalogage,Ontologie, Web sémantique.

1 IntroductionLe projet NOESIS (6ème PCRD) a pour objectif de

fournir une plateforme d’aide au diagnostic médical,comprenant entre autres un volet d’aide à la décision etun volet de gestion des connaissances. Le domained’expérimentation choisi est celui des maladiescardiovasculaires. Parmi les objectifs du projetfiguraient la recherche d’information guidée par uneontologie et un outil d’annotation. En l’absenced’ontologie du domaine, nous nous sommes orientésvers le thesaurus MeSH, utilisé par la NLM pourl’indexation des textes dans Medline, et aussi par HON[5] et CisMEF [7] pour les mêmes usages. Après enavoir extrait un sous-ensemble d’environ 700 conceptscorrespondant aux maladies cardio-vasculaires, nousl’avons enrichi de termes dans 5 langues grâce auSpecialist Lexicon d’UMLS (plus une traduction enGrec). Nous l’avons représenté en OWL, que nous avonsenrichi de balises SKOS [8] afin de prendre en comptela représentation des termes préférés dans chaque languepour un concept.

Au cours de ce processus, nous avons été amenés àprendre un certain nombre de décisions, en particulierconcernant les relations transversales de l’ontologie, quenous avons condensées en une seule relation : VoirAussi.Bien que la structure retenue soit de fait un thesaurus,nous continuerons d’employer le terme initiald’ontologie. Celle-ci étant destinée à l’indexation desdocuments et au traitement des requêtes, et non pas àune représentation des connaissances du domaine, nousavons jugé que la relation VoirAussi, classique desthesaurus, pouvait suffire. Nous avons été conforté dans

ce choix par l’équipe de Health On Net, qui a fait lemême type de choix dans son usage du MeSH.

NOESIS offre une infrastructure pour la gestion d’unréseau d’utilisateurs qui vont rechercher et échanger desconnaissances dans le domaine retenu. Un outild’annotation a été réalisé pour permettre le travailcollaboratif sur un document.

2 L’outil d’annotationOn rencontre en général trois acceptions de la notion

d’annotation : l’information de catalogage (titre, auteurs,date, ….), l’annotation sémantique liée à une ontologie,qui est une forme d’indexation manuelle, et l’annotationtextuelle (commentaires, questions, …). L’outil présentéici implante ces trois possibilités.

2.1 Annotation de CatalogageL’information de catalogage correspond à la notice

catalographique des documentalistes. Elle estreprésentée ici par les 15 descripteurs de base du DublinCore (DC V1.1 , DCMES, ISO 15836-2003, [4]).

2.2 Annotation ConceptuelleL’annotation conceptuelle consiste à attacher au texte

les concepts qui le caractérisent. L’annotation peutconcerner l’ensemble du texte, ou seulement une partie(mot, paragraphe, image) déterminée par sélectionmanuelle. Le choix du concept peut se faire enparcourant la hiérarchie IS-A de l’ontologie, qui estprésentée sous forme d’arbre graphique (Fig. 1), ou enrecourant aux services d’un serveur de terminologie, quiassiste l’utilisateur dans sa recherche à partir des termesusuels de la langue. Cette dernière forme estparticulièrement adaptée aux utilisateurs qui ne sont pasfamiliers du MeSH et de sa structure – normalement, lamajorité des utilisateurs de NOESIS.

15

FIG. 1 – Arborescence de l’ontologie Noesis multilingue.

Un terme (ensemble de mots) étant proposé, le serveurde terminologie propose les concepts contenant ce termeou qui lui sont fortement reliés. Les résultats sontprésenté selon 3 niveaux de pertinence, le niveau 0représentant la meilleure correspondance (Fig 2). Lechoix du concept pour l’indexation s’effectue par un clicdroit sur une quelconque des occurrences du concept, oupar glisser-déposer depuis l’ontologie.

FIG. 2 – Résultats du serveur de terminologie pour “heart”.

Afin d’éviter d’avoir à représenter dans l’ontologie latotalité des variantes morpho-lexicales des termes, nousavons expérimenté une technique de segmentation(stemming), la comparaison se faisant alors au niveaudes bases (radicaux). Cette technique, qui a étéabandonnée en recherche d’information classique,semble donner ici des résultats satisfaisants, sans doute àcause de la nature particulière du vocabulaire médical,formé par composition savante. L’ontologie estmultilingue et le passage d’une langue à une autre estinstantané. La langue choisie pour l’ontologie estindépendante de celle de l’interface.

La Fig. 3 présente l’écran général d’annotationconceptuelle, avec sélection d’une partie du document.

2.3 Annotation TextuelleL’annotation textuelle correspond au processus

d’annotation réalisé lors de la lecture d’un documentpapier. Il s’agit de capturer les remarques, lescommentaires, le jeu de questions/réponses qui qualifietoute activité scientifique. Comme dans Annotea, nousavons mis en place un système de typage des annotations(commentaire, question, exemple, conseil). Un éditeurWYSIWYG élémentaire permet d’écrire l’annotation,qui peut être attachée à l’ensemble ou à une partie dutexte.

FIG. 3 – Interface d’annotation conceptuelle.

3 ConclusionLe travail présenté constitue le noyau d’un outil qui

peut être spécialisé dans différents contextes. Lecontexte hospitalier est l’un de ceux où un outild’annotation apparaît naturel, prolongeant les pratiquesactuelles des soignants [2].

L’outil a été réalisé en Java. Il prend en entrée desfichiers au format XHTML, produits par le médiateurNOESIS. Il est en phase d’expérimentation, et lesprochaines extensions concernent l’enrichissement del’ontologie (à partir de textes) et l’introduction d’unenouvelle méthode de segmentation [1]. L’interaction del’annotation conceptuelle avec le mécanismed’indexation automatique de NOESIS reste une questionouverte, qui est provisoirement résolue en réservant lapossibilité d’indexation manuelle à un comité d’experts,mais justifierait l’étude d’un modèle permettantl’indexation collaborative.

Références[1] Bernhard D., 2005. Segmentation morphologique à partir

de corpus. RECITAL 05.[2] Bringay S., Barry C. & Charlet J. (2004). Les documents

et les annotations du dossier patient hospitalier, In J.-M.Salaün & J. Charlet, Eds., Le document numérique, p.191–211. Cépaduès : Toulouse. Numéro thématique Ledocument numérique de la revue Information –Interaction - Intelligence, 4(1), ISBN 2.85428.634.0.

[3] CisMef team, 2002 CISMeF: Catalog and Index of French-language Health Internet resources. http://www.chu-rouen.fr/cismef/cismefeng.htmlA quality-controlled subject gateway, Rouen, Avril 2002.

[4] Hillmann D., (2001). Guide d’utilisation du Dublin Core.http://www.bibl.ulaval.ca/DublinCore/usageguide-20000716fr.htm.

[5] Health On Net, www.hon.ch[6] Miles A. & Brickley D. (2004). An RDF Schema for

thesauri and related knowledge organisation systems.http://www.w3.org/2004/02/skos/core/guide/

[7] Soualmia LN., Golbreich C. & Darmoni SJ. (2004). Rep-resenting the MeSH in OWL : Towards a semi-automaticMigration. In First International Workshop on FormalBiomedical Knowledge Representation, collocated withKR 2004. p. 1-12. Whistler, Canada.

16

Un modèle de formulation d'applications de traitement d'images

Arnaud Renouf, Régis Clouard et Marinette Revenu

Laboratoire GREYC-Image, CNRS UMR 6072, 6 Bd Maréchal Juin, 14050 Caen Cedex http://www.greyc.ensicaen.fr, Arnaud.Renouf@greyc.ensicaen.fr

Résumé Nous présentons un modèle de formulation

d'applications de traitement d'images qui couvre tous les objectifs de transformation d'images en images, indépendamment de tout domaine d’application. Une formalisation de ce modèle est présentée sous la forme d'une ontologie.

Mots clés : Ingénierie des connaissances, Ap-plication de traitement d'images, Ontologie

1 Introduction Depuis cinquante ans, un grand nombre d'applications

de traitement d'images ont été produites dans des do-maines très divers (médecine, géographie, robotique, vision industrielle, ...). Par application de traitement d'images, nous entendons un logiciel spécialisé dans la réalisation d'objectifs de transformation d'images en images, sans interprétation du contenu, dont les images d'entrée sont restreintes à une classe donnée. Cette ap-plication répond aux besoins d'un client, novice du trai-tement d'images, qui possède des intentions de traite-ment sur un ensemble d’images.

Nos travaux s'inscrivent dans le cadre d'un projet vi-sant à construire un système informatique qui génère automatiquement des applications de traitement d'ima-ges en fonction des besoins du client qui les définit via une interface homme-machine. Ce projet est un prétexte à une étude et une explicitation des connaissances mises en jeu et à la définition d'un guide complet et rigoureux sur la façon d'aborder une application de traitement d'images. Nous nous attachons ici à la formulation du problème définissant l'application envisagée (un ensem-ble d'objectifs et une classe d'images d'entrée). Elle doit permettre à un spécialiste du traitement d’images de fournir une solution logicielle acceptable par le client.

Nous présentons un modèle conceptuel de cette for-mulation (Section 2) et une formalisation de celui-ci sous forme d'ontologie (Section 3). Nous conclurons sur l'état actuel de nos travaux et leurs perspectives.

2 Modèle de formulation

2.1 Les contraintes du modèle La problématique du traitement d'images impose des

contraintes à la définition d'une modélisation de la for-

mulation d'applications. Premièrement, le modèle doit être indépendant de tout domaine d'application et ne contenir aucune connaissance sur les domaines produc-teurs d'images. Il doit par conséquent intégrer les moyens de définir les concepts du domaine du client [3][4]. Deuxièmement, ce client doit être spécialiste de son domaine afin de pouvoir renseigner le contexte de l'application (dispositif d'acquisition des images et contenu de la scène visualisée) et ses objectifs de trai-tement des images.

2.2 Les hypothèses à la base du modèle

Notre modèle repose sur la validité de trois hypothè-ses dégagées de l'étude d'applications existantes. L'hy-pothèse téléologique (H1) affirme qu'un système de traitement d'images est défini par ses finalités (les inten-tions de traitement du client). Cette hypothèse conduit à renseigner les objectifs de transformation du client par une liste de tâches à accomplir et des contraintes asso-ciées à ces tâches [1].

L'hypothèse sémiotique (H2) considère qu'une image est un système de signes (le signal mesuré) mis pour représenter une chose réelle ou artificielle (la scène ou le phénomène mesuré) [2]. Elle amène à définir la classe d'images d'entrée de l'application en 3 niveaux de des-cription [1][5] : le niveau physique qui décrit le signal mesuré, le niveau perceptif qui décrit la syntaxe de l'image (les primitives visuelles et leurs relations) et le niveau sémantique qui décrit les objets de la scène vi-sualisée.

L'hypothèse phénoménologique (H3) postule que les informations sur la manifestation des objets visualisés dans l'image suffisent aux spécialistes du traitement d'images pour orienter leurs choix dans la conception de l'application. Le niveau sémantique peut alors se définir par une simple dénotation de cette manifestation par des descripteurs numériques et symboliques.

2.3 Le modèle conceptuel Le modèle conceptuel distingue les objectifs de trans-

formation de la définition de la classe d’images. Les objectifs de transformation : ils sont renseignés

par une liste de tâches à accomplir (H1). Une tâche est définie par un but de traitement associé à un objet de l'image (« extraire les cellules »), un type de primitive visuelle (« détecter les contours »), ou une partie ou

17

l'intégralité de l'image (« améliorer objectivement l'image). Chaque tâche est précisée par deux types de contraintes : 1. les contraintes de régulation qui précisent la portée

de la tâche (« isoler les cellules qui se touchent ») 2. les contraintes de rétroaction qui portent sur la

composition attendue du résultat en renseignant les éléments à inclure et à exclure (« inclure les amas de cellules et exclure les cellules qui touchent le bord de l'image »).

Enfin, des contraintes de contrôle permettent d'adap-ter l'application à son environnement d'exécution (« temps de traitement inférieur à la seconde »).

La classe d'images : elle est définie à partir de 3 ni-veaux d'observation (H2) : 1. le niveau physique s'attache à décrire les caractéris-

tiques du signal mesuré. Ces caractéristiques sont liées au système d'acquisition utilisé ainsi qu'à son environnement. Nous devons permettre, par notre re-présentation, la description des effets produits sur les images par les différentes parties de la chaîne d'ac-quisition, environnement compris (pour les perturba-tions engendrées).

2. le niveau perceptif s'attache à décrire le rendu vi-suel global de l'image par les primitives visuelles qui la composent (contour, région, zone d'images, point d'intérêt, fond d'image, nuage de points), leurs rela-tions et leurs caractéristiques géométriques, photo-métriques, colorimétriques, topologiques, spatiales, de forme ou de texture.

3. le niveau sémantique s'attache à décrire les objets et concepts métiers (connus par le client) qui sont contenus dans la scène visualisée. Chacun est défini par sa représentation dans l'image (par des primitives visuelles et leurs caractéristiques) et par les relations existant avec les autres concepts de la scène (H3). Les relations entre les concepts doivent permettre d'expliquer la construction de la scène et relier ces informations aux objectifs du client. Nous devons donc y représenter l'agencement spatial ainsi que les relations de composition et d'héritage.

3 Formalisation du modèle Dans le but d'opérationnaliser ce modèle pour l'utiliser

dans notre interface avec le client, nous avons construit une ontologie (formelle) qui permet d'expliciter les concepts et relations existant entre ces concepts. Cette ontologie permet de structurer et d'organiser la formula-tion d'applications de traitement d'images pour guider le client , novice dans cette discipline. Nous pourrons éga-lement construire une base de connaissances à partir de cette ontologie afin de proposer des aides au client au cours de son acte de formulation (proposition de valeurs par défaut en fonction des caractéristiques déjà rensei-gnées par exemple).

Notre ontologie est divisée en 2 parties principales non indépendantes dont nous présentons l'architecture générale : 1. la spécification des objectifs (FIG 1); 2. la définition de la classe d'images (FIG 2)

visuellePrimitive

métierConcept

traitementBut de

de rétroactionContrainte

à optimiserCritère

Niveaude détail

de régulationContrainte

Objectif

Tâche

de contrôleContainte

Catégoriede contrainte

Contrainte

Critère deperformance

qualitéCritère de

Ontologie

de la classed’images

de la définition

Élementà inclure

Élementà exclure

AcceptableErreur

FIG 1- Architecture de l'ontologie de la spécification

des objectifs.

Observationa−un

NiveauNiveau

d’observation

a−unCatégorie

Catégoried’observation

a−unÉlément

Élémentde description

a−unDescripteur Descripteur

a−unValeur Valeur

FIG 2 – Architecture de l’ontologie de définition de la

classe d’images

4 Conclusion Dans l'état actuel de nos travaux, nous avons dévelop-

pé l'ontologie et nous menons des expérimentations de ré-ingénierie d'applications existantes afin de vérifier la validité de notre modèle. Nous envisageons également de présenter à des spécialistes de traitement d'images des exemples de formulation obtenus à partir de notre ontologie afin de vérifier la suffisance des informations représentées.

Nos travaux en cours s'intéressent à la construction de l'interface qui permet au client de formuler son pro-blème. Cette interface bénéficie entièrement du modèle présenté ici et repose sur un modèle d’interaction basé sur l’échange d’informations et de résultats avec un mo-teur de résolution et un système à base de connaissances pour les aides proposées.

5 Références [1] R. Clouard, Une méthode de développement d'applications

de traitement d'images. Traitement du signal, vol. 21(4), pp 277-293 , décembre 2004.

[2] M. Joly, Image et les signes : approche sémiotique de l'image fixe. Paris : Nathan, 1994.

[3] N. Maillot, M. Thonnat, and A. Boucher, Towards ontol-ogy based cognitive vision. Machine Vision and Applica-tions, vol. 16(1), pp 33-40 , décembre 2004.

[4] A. Nouvel, Description de concepts par un langage visuel pour un système d'aide à la conception d'applications de traitement d'images. PhD thesis, Université Toulouse III, septembre 2002.

[5] J. Van den Elst, Knowledge modelling for program super-vision in image processing, PhD thesis, Université de Nice-Sophia Antipolis, octobre 1996.

18

Un outil à base de connaissances pour la validation de conception: application au prototypage rapide

Stéphanie Sosnowski, Nicolas Gardan et Yvon Gardan

Equipe CMCAO, IFTS, Pôle de Haute Technologie, 7 boulevard Jean Delautre, 08000 Charleville-Mézières (stephanie.sosnowski,nicolas.gardan,yvon.gardan)@univ-reims.fr

Résumé Nous proposons de coupler un système à base

de connaissances et un système de validation et de modification dédié à un procédé de fabrication permettant de détecter les problèmes sur un mo-dèle CAO (comme des parois trop fines en proto-typage rapide). Si un problème est détecté, le sys-tème permet de modifier de manière automatique ou non le modèle CAO.

Mots clés : Système à base de connaissances; règle métier; scénario.

1 Introduction La conception d'un produit dépend en grande partie du

procédé de fabrication choisi. Aussi, la réalisation de prototype à l’aide de procédés dédiés impose des contraintes qui ne sont pas prévues lors de la concep-tion. Afin d'éviter autant que possible les modifications en amont, nous proposons une architecture permettant de prendre en compte des informations liées au procédé de fabrication dans la phase de conception. Ces derniè-res peuvent ainsi être utilisées pour prendre en compte des contraintes liées à un mode particulier de fabrication et opérer les changements nécessaires au plus tôt.

2 Architecture du système Le système a pour objectif de rechercher les éléments

non réalisables selon un procédé donné et de proposer des aménagements permettant d'obtenir le meilleur compromis possible entre la géométrie finale de pièce et le procédé de fabrication utilisé.

2.1 Architecture générale

Système à Base de Connaissances

Module extraction Module modificationModule vérification

Système de validation et de modification

Modèle CAO

Liste des features

Règles métiers associées aux

featuresListe des features problématiques

Scénario de gestion du changement

Modèle CAO modifié

Modèle CAO

Procédé de fabrication

FIG 1 – architecture du système

La méthodologie utilisée pour adapter le modèle à un procédé donné repose sur l'utilisation de trois modules distincts. Ces derniers travaillent en relation avec un système à base de connaissances leur permettant d'obte-nir les règles à appliquer. La FIG 1 présente l'architecture générale du système. - le module d'extraction recherche l'ensemble des

caractéristiques dans le modèle posant potentielle-ment problème pour un procédé donné ;

- le module de vérification s'assure que les caractéris-tiques trouvées par le module précédent vérifient les règles métier relatives au procédé de fabrication choisi. Les caractéristiques posant problème sont en-voyées au module de modification ;

- le module de modification a pour but de mettre en oeuvre les règles permettant d'adapter le modèle en fonction des problèmes détectés par le module pré-cédent. Ces adaptations portent aussi bien sur la mo-dification du modèle géométrique que sur la modifi-cation du procédé de fabrication.

2.2 La base de connaissances La connaissance est stockée en utilisant la notion de

scénarios [1,2]. Chaque scénario est élaboré par un ex-pert et représente les règles métiers à mettre en oeuvre pour palier chacun des problèmes rencontrés pour une configuration donnée.

Base de scénarii

Base de règles

Base de contraintes

Base de connaissancesGénérateur de

requêtes

Moteur de scénarios

Générateur descénarii

Superviseur

Base de paramètresRequêtes

Base de scénarii

Base de règles

Base de contraintes

Base de connaissancesGénérateur de

requêtes

Moteur de scénarios

Générateur descénarii

Superviseur

Base de paramètresRequêtes

FIG 2 – système à base de connaissances

Le système à base de connaissances (FIG 2) utilise la même base qu'un système expert et contient les éléments suivants : - une base de scénarios contenant tous les scénarios

enregistrés par les experts du domaine considéré; - une base de règles contenant les règles de produc-

tion relatives à un métier donné;

19

- une base de contraintes exprimant les contraintes du domaine [3];

- une base de paramètres permettant de piloter les changements à réaliser sur le modèle [4].

Ces modules sont gérés par un moteur de scénarios qui est chargé de trouver le scénario adéquat.

3 Application au prototypage

3.1 Contexte On se propose dans cette partie de montrer un exem-

ple du système dans le cadre d'un procédé de prototy-page rapide [5]. Par exemple, le frittage de poudre pos-sède un certain nombre de limites [6]. En effet, la géo-métrie de certaines pièces ne peut pas être fabriquée à cause de leur fragilité ou de leur dimensionnement. Par exemple les lames libres et les lames encastrées (FIG 3) risquent de s'affaisser ou de se briser lors de la fabrica-tion. Ces règles métiers ont été formalisées et stockées dans la base de connaissance par des experts du domaine (FIG 4 – étape 2).

FIG 3 – deux types de features posant problème

3.2 De la détection à la modification Nous montrons le fonctionnement du système sur une

pièce simple (FIG 4) qui doit être réalisée à l'aide du procédé de frittage de poudre. - l'extraction des connaissances consiste à parcourir un

arbre de construction afin d’identifier et de caractéri-ser les features. Ces informations sont compilées sous la forme d'un fichier XML [7] (FIG 4 – étape 1);

- le système vérifie que les features extraites dans l’étape précédente vérifient les règles données par le SBC (FIG 4 – étape 2) et retourne les problèmes dé-tectés (FIG 4 – étape 3);

- le module de modification applique le scénario don-né par le SBC en fonction des problèmes détectés (FIG 4 – étape 4). Dans notre cas, la solution consiste à réaliser la Lame sous forme d'un insert grâce à un autre procédé (FIG 4 – étape 5).

4 Conclusion L'utilisation d'un procédé de fabrication particulier re-

quiert l'adaptation du modèle utilisé à ce procédé. Nous avons donc présenté un outil permettant de détecter les problèmes potentiels, les analyser et proposer des solu-tions. Pour cela, nous nous basons sur des règles métiers décrites sous forme de scénarios.

Etape 1 : extraction

<modele>MODELE.CatPart <feature ident = "LAME"> <nom>LAME_1</nom> <epaisseurMM>2</epaisseurMM> <hauteurMM>20</hauteurMM> <longueurMM>25</longueurMM> </feature> ...</modele>

Etape 2 : régles fournies par SBC...SI (épaisseur = 2 mm) ALORS SI (hauteur / surface} < 1,67) ALORS Message("Feature non réalisable car déformation") Executer "Scénario Lames rapportées" FIN SI ...FIN SI...

Etape 3 : détection d'une erreur

<?xml version="1.0"?><modele>MODELE.CatPart <probleme> <feature ident = "LAME"> ... </feature> </probleme></modele>

Etape 4 : scénario de gestion de changement…<scenario ident = "scenarioSupFeature"> <object>LAME_1</object> <action>supFeature();creerPoche(gap);</action></scenario>

<scenario ident = "scenarioCreerInsert"> <object>LAME_1</object> <action>creerSupport(gap);creerLame();</action></scenario>

Etape 5 : modification

FIG 4 – étapes relatives au traitement d’une pièce

Références [1] Gardan N. & Gardan Y. (2003). An application of knowl-

edge based modelling using scripts. Expert Systems with Applications, Volume 25, Issue 4, 2003, pp. 555–568.

[2] Trichet F., Leclère M. & Choquet C. (1998). Construire un système à base de connaissances de type tâches/méthodes à l’aide des graphes conceptuels. Ingénierie des Connais-sances 98.

[3] Gardan Y (1982). Eléments méthodologiques pour la réali-sation de CFAO et leur introduction dans les entreprises. PhD Thesis. Institut Polytechnique de Grenoble.

[4] Gardan N. (2004). Une méthodologie de travail collabora-tif autour de la chaîne numérique. in proceedings MICAD04.

[5] Dubois P., Assouat A. & Duchamp R. (2000). Prototypage rapide-généralités. Techniques de l’ingénieur, BT BM7017.

[6] Agnez Y. (2001). Caractérisation des limites du frittage de poudre. Rapport interne, Rapport de recherche, IFTS.

[7] Chahuneau F. (2001). XML. Techniques de l’ingénieur, traité informatique, HA H7148.

20

INDEX DES AUTEURS

Cyr-Gabin Bassolet ………… 15 Rémi Patriarche…… ………… 15

Michel Beigbeder… ………… 13 Sylvie Ranwe z………………… 11

Hatem Ben Sta ……………… 1 Arnaud Renouf………………… 17

Delphine Bernhard ………… 15 Marinette Revenu……………… 17

Michel Bigand ……………… 1 Ana Simonet …………………… 15

Frédéric Bilhaut………...…… 3 Michel Simonet………………… 15

Marc Bourdeaux …………… 7 Stéphanie Sosnowski ………… 19

Jean-Pierre Bourey ………… 1 Manuel Zacklad…..…………… 5

Jean-Pierre Cahier ………… 5 L’Hédi Zaher……...…………… 5

Tuan-Dung Cao……………… 7

Régis Clouard ……………… 17

Michel Crampes …………… 11

Vincent Derozier …………… 11

Christophe Després… ... …… 9

Gayo Diallo ………………… 15

Rose Dieng Kuntz…………… 7

Naïma El-Kechaï… ... ……… 9

Sylvain Ferriol ……………… 15

Bruno Fiés…………………… 7

Nicolas Gardan... …………… 19

Yvon Gardan…… …………… 19

Nadia Gauducheau ………… 5

Séverine Gedzelman………… 15

Khaled Ghédira ...…………… 1

Amandine Girard …………… 15

Fabien Jalabert……………… 11

Annabelle Mercier...………… 13

Maryline Mouries …………… 15

Patrick Palmer…… ………… 15

21