diff --git a/.DS_Store b/.DS_Store
index 3778bf26d93c7c0e23ebb22597a82db1c0034416..ebcdeea925858777f5655e0c8069912b7e3ee039 100644
GIT binary patch
delta 2028
zcmds%Z%i9y9LJw;Ti}l8kYl4#>Y4Gs16nB12?MeX#tgGW8DnE8(-k<Oq0mYT6Q^M_
zGftU0e3FeRBO}vkG+QKPYNjspg~Jh-Ny2zxqRyxh5|>3yX4GhWdhJG8mPHd^c}d&+
z?)hDx=eg(m`Rw)W^&K$l4DrKCiLsgxq9;Tqq=WR4UZN7e$3HQ1Owa5N!|+fF>$0Ya
zQi4*u@jhpr#4e}rVhJ{yB=`B%2G!#Vxck)_S3vc%>FfdB-4Z)!vo%Xug4{03F|(#r
z^IeKX$`xd%D946Nt5P7yrvzE2l~R#XBFZj7)`v^0QYs2E!bQ1MDaw9PHiXNy5>pDy
zx_zHAXMQ$BmX>A2I5S&TbgV%w?#BaYz-Da0!*~QPw4xo|=z$N9!H*~L6b7*yPh$xC
z@giQrFkZo{7{wUgz?*mrZ{q~s#d|o75AYGrVG8Fljn8labNCwbxPogezA%j)$=#@@
zM#{!BoS^JVhP{I}`rS{cg6tA!6Xm33`P4=myWBne4fw-%?6lal#p7yKJ)+z$XickV
zsi~=7?e)98J)-Ok-z=w<rfqHB?ryaw;1`o%75L$RfA}TPiJ25b&?0@OAGGp1j@(P!
zi)YsDt*L4Ccw0lA%?rQGv*f9&TXnVngDziZ(Pq91AAg<@FHgozvkf1;BPhwukUbqy
zjfOi9GD%jFqgS%?w5#O2JXIALSe!h1KwdJRp`L`ggKAQYE;zb;I~_Fg`3<Ci@6}BL
z(Nm^cN7U%C=$Y$F*f;Y=?H$~Bw%fb7fLo16uOqeUEdOhgKw5*#(vBlBdZ*%kuw&^C
zR+t-O*t)IxK~|P~a%m)-|6wFpXXXeEttE72uFGRB`L$i&k_GY;xki2^zmq>;Kn&s_
zAPHtzuo8L5hXd<Sg=#oak4+qlMr`Luv_ZwA@S+d>cpL*9hvzvEFK{3Z;V8!O8eYdq
z9{)2qi;sEyFJX=)TC?@*b#-hmt5KvO5!7-M@I4=9Hd_ZrpeDyA)66V^XZt$xl<mn;
zY*Z;O;V`=*Y*WRy$Tp=Fl_Ccu!ZxLBI>&s|HmliCfk`b!8P;Ge-_Ck$&?v9xoQJj(
z=DZD_2<N@n72$l3wyhB7hcJS}obw|%u5o^y^7lFCA8MRm#4NsKV;0Ab==_w8o%rj=
zaDD{RMmmX$_(*`;v6uLxb9B4D=sb~lI|-h#G%QV$r|B~Lb7e92t7&T!PtxuDx--L~
zPnIOMkn4oRR^{32B+WZqo)Pa@B}wxR*G|McMN-5&T*ndb+#}ua4wrJoI~5X}$QxN=
z*1>TyNj@Rx$R+X>58GAp8-Q4dhzCV7j7WhA={#zsSdDU2phgQ?10KQ-EodS8_9CD~
zZ4l4kS?t4ec$r&wl%Gb(y6+%}Nu1(gyMT-M95eU=-{S}F+6DZ~CbL$=H0fG&DqC&M
zoR}TZu{itkSVKG^Y0|{ZRXs~|*pv_xAwljA|7xz}UpihA*5Vl7^nb&l@L%HaH|T5X
AH2?qr

delta 1699
zcmeH{Yfw~W7{{OgUf>+hVLTuk1c#Aa*Cp1)6)*}=fsoLpi?9f3DhsU6j>|5vfTAVT
z5L2lcy&po$YQ}D6H)iQ(H~pYBO^MBDWi#dsqs{cGX*6f75A^KWmHOEDxifR-%=<s@
zyl0-@{QhU8d!+lB921R>=_R%jA~F+cL|dt!dMQBBfu^w@yYQ4+gks4Odo}fz_E4mq
z_wgpG=DTRdxMIkiW1Sej%OrzCz9faCEKAI(UNXZWkfFyWwdIH%$*`L2GIf!kf)pkX
z6;U65XvgYMq~l*lzZ-igGo(xmX8>ujk^HwHd<*8wYFhTXbuF#xda-tqO|)6I=$kdI
zKN@HZg#3NMfk3UlFA!}Fc0|HW!JPpCm(#4;RN+qbLKTCl9<S<)@(W4x%V+0m=@~B7
zt@^eF!=17gO(Y(*IJ-IIZx4iIty3~KEmO;~TLuEX(O@JjYu-dyu8OPn@u8~1#I*Lr
zgUA>5cLij7l_wcUlt;x>OAXY<KzGqT8mFT)Nhj$Poui-WSGq#i0i+-mbD$s-He?|i
zx1kVaxD(~5KrJ4?S~Ow<+TceAI?;t*MA45W0~o^N7{wEK63^lwp2s1)h}ZERCNPQj
z@j1T5X`I1#_z9Qsi>P)x%uObr=ymuQre0sadX3uf-(XH#1{va+MQ%;CFO-;$W<8sI
zYfi4NiZrJ_r0T^bGK1C3Myl%WGF~FFP%A2BMyy$q%c^QwPRBBh5+~@Z>Lf`!rb&|h
zW`T<3DS3e!)Z;$f&$yb<j7`|gz}gL5VMNfw$R5Tc*o|R4hCSGeeb|pNgW3xQwKs4C
zNAWg3z=!w<pWri`!k738U*j9*_&qM-5-yAKg3{P@!3v0)!uhhoMz*v*xPF6}avTu0
zRGT?dQH0Cog(9}QJPnE=oaUF3!Yx)5Lpb&=Dcn*eDV)|RCxyF1nH5g+Cd2XyMO<->
zn|5kq#_ACJokc?@=`@|Ei|o+vbd9dlpY#_ju(C-K(vbrvZfA>JC`A>jQ3Ef7X=F4$
zY&5V0u!XVoV>@<WkdZuPAbA?k;bk1gD|i*}FoG{|948pTIsAYhaURpSia&4-Gosaz
zWxdDLU}_fI+;%a~vV>{qY?Qa*-osN4nDP{{(dyQeg%Xc;!xpC^4q9{9C`<JcnXx2w
zQ5Ng}=%SP>mGMF*bx~F-)oe?xd_$L7y^d{>3|(e%)NL)|x~#xT9`tUkGCYWvCO+(@
zWN|`VoCvzPJiFM0-Q1l=dFZ$a@uA0){dtZ1^X9AvALAH4HB6Y|@h@<PPNd|I^;{6C
uo_Q%WN|dk0(xu<bVs5G1`1c);H(yk$x#FSHL*jtL{eRJJzGz~)p!jciYMCMc

diff --git a/chapters/Architecture0.tex b/chapters/Architecture0.tex
deleted file mode 100644
index e8bd89f..0000000
--- a/chapters/Architecture0.tex
+++ /dev/null
@@ -1,167 +0,0 @@
-\chapter{Architecture Globale pour le Système AI-VT}
-
-\section{Introduction}
-
-Il est important de définir et décrire l'architecture logicielle d'un système complexe afin de mieux comprendre son fonctionnement. L'architecture montre les composants, les couches, les fonctionnalités et les interactions. Ce chapitre présente l'architecture modulaire proposée pour le système AI-VT. Les modules intègrent des outils issus de différents paradigmes, des modèles et des algorithmes d'intelligence artificielle permettant au système d'être plus performant. Les objectifs de l'architecture proposée sont de rendre le logiciel AI-VT (Artificial Intelligence Virtual Trainer) stable, évolutif, performant et maintenable. L'architecture proposée se compose de quatre couches indépendantes, chacune dédiée à une fonctionnalité spécifique : correction automatique, identification, révision et test. Le contenu de ce chapitre est partiellement extrait du travail de Soto \textit{et al.} \cite{10.1007/978-3-031-63646-2_13}.
-
-Il est possible de classer les architectures selon deux catégories : les architectures monolithiques et les architectures modulaires. Dans une architecture monolithique, le système logiciel est considéré comme une entité unique et unitaire avec une seule source de code, une seule base de données et un seul déploiement pour l'ensemble du système ; ce type de système est simple à développer et à tester mais il est peu adapté à la mise à jour et à l'évolution en raison de sa rigidité. Une architecture modulaire divise le système en modules indépendants qui peuvent communiquer entre eux, chaque module contenant alors tout ce qui est nécessaire pour fonctionner. En fait, de nombreux systèmes logiciels ont été conçus avec une architecture modulaire en raison des multiples avantages qu'elle présente \cite{Auer} \cite{jmse10040464}.
-
-L'EIAH AI-VT a ainsi évolué vers une architecture modulaire que nous présentons dans ce chapitre. Après avoir rappelé le fonctionnement et les différents composants initiaux du système AI-VT, ce chapitre présente l'architecture modulaire implémentée lors de cette thèse et permettant à AI-VT d'intégrer de nouvelles fonctionnalités.
-
-%----------------------------------------------------------------------------------------
-%	SECTION 2
-%----------------------------------------------------------------------------------------
-
-\section{Description du système AI-VT}
-
-Pour rappel, le système AI-VT est un outil pédagogique générique qui vise à accompagner les apprenants dans leur apprentissage en leur proposant des fiches d'exercices appelées sessions. Durant chaque session, les capacités attendues sont divisées en compétences, elles-mêmes divisées en sous-compétences. L'apprenant choisit une compétence à travailler et le système génère une session composée d'exercices associés à plusieurs sous-compétences de la compétence choisie. Le système propose une liste d'exercices au début d'une session en utilisant le paradigme du raisonnement à partir de cas avec une base de données de questions.
-
-Le système AI-VT est un EIAH générique dont la structure globale est présentée sur la figure \figref{figSys1}. Il intègre une base de données de questions. Chacune des questions est associée à un contexte, au texte de la question considérée et à un niveau de complexité. Les questions sont liées à des sous-compétences, elles-mêmes liées à des compétences. Les principaux acteurs du système sont l'enseignant et l'apprenant. L'enseignant a la capacité de configurer l'ensemble du système, le nombre de compétences, les sous-compétences d'une compétence, le nombre de questions, la complexité de chacune d'entre elles, le niveaux de complexité et le temps par session. L'apprenant quant à lui, qui peut commencer l'entraînement d'une compétence spécifique, accéder à des ressources de soutien complémentaires et répondre aux questions de test dans les sessions proposées par le système. Le tableau \ref{tabDesc} montre les caractéristiques du système AI-VT selon les 20 descripteurs permettant de caractériser le profil de l'apprenant décrits dans \cite{Daubias2011}.
-
-\mfigure[!ht]{width=\textwidth}{./Figures/AIVT.png}{Structure du système AI-VT}{figSys1}
-
-%\begin{figure}[!ht]
-%\centering
-%\includegraphics[width=\textwidth]{./Figures/AIVT.png} 
-%\caption{Structure du système AI-VT}
-%\label{figSys1}
-%\end{figure}
-
-En s'appuyant sur la philosophie du RàPC, le système global AI-TV part du principe que la création d'une session pour un apprenant peut être réalisé par analogie avec celles proposées à des étudiants aux acquis, besoins et capacités similaires. AI-VT propose une liste d'exercices en fonction de la compétence ou de la sous-compétence sélectionnée par similitude avec celles proposées auparavant à d'autres apprenants.
-
-L'algorithme d'AI-VT tente de tenir compte de l'équilibre entre répétitivité et variété. De plus, le nombre d'exercices par session change en fonction du domaine, de la compétence choisie et du niveau de l'apprenant. La liste d'exercices est générée au début de chaque séance et elle n'est pas modifiée au cours de la séance en fonction des réponses fournies par l'apprenant : les listes d'exercices sont statiques pendant la séance \cite{10.1007/978-3-030-01081-2_9}.
-
-\begin{table}[!ht]
-\centering
-\begin{tabular}{p{1in}p{2.5in}p{1.5in}}
-Type&Definition&Système AI-VT\\
-\hline
-Subject&Acteur humain concerné par le profil&Apprentissage seul et en groupe\\
-Collaboration&Le rôle de la collaboration dans les activités du profil&Individuel, Collaboratif\\
-Distance&Le rôle de la distance dans les activités du profil&Presentiel, Distanciel\\
-Discipline&Discipline des informations contenues dans le
-profil&Generic\\
-Niveau&Le niveau scolaire de la matière concernée par le profil &Generic\\
-Initiateur&L'acteur humain à l'origine de la décision de créer le profil de création&Professeur, Administrateur\\
-Créateur&L'acteur humain ou logiciel qui compose le profil&Professeur, Administrateur\\
-Destinataire&Acteur humain ou logiciel exploitant le profil&Apprenant\\
-Temps&Période du profil&Asynchrone\\
-Évolution&L'évolutivité du profil &Profil évolutif\\
-Type&Le type d'informations contenues dans le profil &Profil de l'apprenant\\
-Nature&La nature des informations contenues dans le
-profil&Connaissances et compétences\\
-Évaluation&La forme sous laquelle l'information est
-évaluée&Rating, Taux de maîtrise\\
-Représentation interne&Représentation interne utilisée par le système informatique pour manipuler les profils&Tables\\
-Représentation externe&Représentation utilisée pour stocker le profil &Liste de valeurs\\
-Visualisation&Représentation utilisée pour présenter le profil à ses destinataires&Représentation textuel et graphique standard\\
-Norme&Norme ou standard éducatif & - \\
-Format&Format de stockage du profil &Base de données relationnelle\\
-Plate-forme&plate-forme informatique compatible&Web\\
-Dispositifs&le type de dispositif d'affichage du profil &Ordinateur ou appareils connectés\\
-\end{tabular}
-\caption{Un tableau décrivant les caractéristiques du système AI-VT}
-\label{tabDesc}
-\end{table}
-
-\section{Modèle d'architecture proposé}
-
-La nouvelle architecture proposée a pour objectif d'intégrer de nouvelles fonctionnalités complémetaires au système initial sans en modifier les fonctionnalités. L'idée consiste donc à pouvoir activer simplement le module correspondant en envoyant et en recevant les informations nécessaires à son fonctionnement. Une évolution vers une architecture plus modulaire permettra ainsi d'ajouter de nouvelles fonctionnalités au système d'origine en intégrant de nouveaux modules ou en faisant évoluer les modules existants. La conception modulaire facilite également la maintenance du code, le développement et l'intégration de nouvelles extensions. De plus, le système pourra être configuré et adapté module par module, réduisant ainsi les risques de pannes et les coûts de maintenance et d'évolution. La modularité permet également d'exécuter les programmes de chaque module de manière asynchrone, en parallèle ou en mode distribué si nécessaire.
-
-L'architecture se compose de deux éléments principaux représentés sur la figure \figref{sa1} : le système central AI-VT et les modules fonctionnels. Le système central gère l'ensemble du processus d'apprentissage ; il génère et démarre les séances ; il stocke les données relatives aux compétences, aux questions, aux ressources, aux apprenants et aux réponses ; il contient les commandes et l'interface générale ; il gère le flux d'informations et active les modules nécessaires. Les modules sont un ensemble de fonctionnalités indépendantes mises en œuvre avec des algorithmes d'intelligence artificielle qui reçoivent et envoient des données depuis le composant central. Chaque module fonctionne selon des critères spécifiques liés à son propre objectif. Les modules sont regroupés en couches selon leur fonctionnalité : correction automatique, identification, adaptation, révision et test. L'enseignant et l'apprenant n'utilisent pas les modules directement ; ceux-ci sont appelés par le système pour compléter certaines fonctionnalités.
-
-\mfigure[!ht]{width=\textwidth}{./Figures/Architecture AI-VT2.png}{Schème de l'architecture proposée}{sa1}
-
-%\begin{figure}[!ht]
-%\centering
-%\includegraphics[width=\textwidth]{./Figures/Architecture AI-VT2.png}
-%\caption{Schème de l'architecture proposée}
-%\label{sa1}
-%\end{figure}
-
-La couche de correction automatique (LC) contient les modules chargés de recevoir les réponses des apprenants et, conformément aux algorithmes et critères définis, d'établir une note cohérente avec une réponse de référence à une question spécifique. Dans cette couche, le module routeur (LC0) est chargé d'identifier le type de correction nécessaire et d'instancier le module approprié pour l'exécution de la tâche spécifique.
-
-La couche d'identification (LD) contient les modules qui identifient les faiblesses ou les variables externes des apprenants lors de l'exécution des exercices proposés par le système ou après l'analyse des résultats. Ces modules aident à personnaliser le processus d'apprentissage en fonction de l'analyse des résultats obtenus par les apprenants.
-
-La couche de révision (LR) comprend les modules qui prennent les données des résultats obtenus dans la couche LC et les résultats de l'analyse de la couche LD pour modifier le parcours de l'apprenant en essayant de renforcer l'apprentissage dans les faiblesses détectées. Ici se trouvent également les modules qui obtiennent des informations de la part des apprenants et tentent de prédire leurs résultats en fonction des différentes compétences et des différents niveaux de complexité.
-
-Pour évaluer les modules dans différents scénarios, il est nécessaire de produire des données selon différents critères et complexités. C'est la raison pour laquelle la couche de test (LT) a été définie.  Les modules qui permettent de générer des données synthétiques selon des critères variables font partie de cette couche. Les modules de cette couche permettent d'obtenir des résultats numériques des modules, d'appliquer des métriques, et ainsi d'évaluer les modules selon différents critères et complexités.
-
-Le schéma complet de l'architecture est représenté sur la figure \figref{sa1}. Sur cette figure, les lignes pleines représentent un flux d'informations bidirectionnel, les lignes pleines terminées par une flèche représentent le flux unidirectionnel et les lignes en pointillé représentent la dépendance de l'information entre les modules. 
-Les dispositifs externes qui peuvent être utilisés par les modules pour exécuter leurs fonctionnalités et les étiquettes indiquant le type d'information transmis au système central par le module sont également représentés. Certains des algorithmes d'intelligence artificielle mis en œuvre dans chaque module et le stade de développement dans lequel chacun d'eux se trouve y figurent également. Comme le montre cette figure, certains dispositifs ont besoin de données provenant de sources externes telles que le robot NAO, des capteurs, caméra vidéo ou microphone.
-
-\subsection{Correction automatique}
-
-L'une des couches importantes et la couche de correction automatique. Dans cette couche, les modules ont la capacité de recevoir et d'évaluer différents types de réponses données par les apprenants en fonction du contexte et de la question que le système a proposée. Les modules représentés ont la capacité d'évaluer une réponse donnée par l'apprenant. Des études et certains programmes ont déjà été réalisés dans l'analyse de vidéo, de texte audio (langage naturel) et de code source (Java, Python). D'autres modules permettent également d'analyser des images, des expressions mathématiques, des valeurs générées par des capteurs physiques et des variables définies pour des activités sportives spécifiques.
-
-Le module routeur (LC0) a pour fonction d'identifier le type de réponse donnée par l'apprenant, c'est à dire reconnaître si la réponse donnée par l'apprenant est vidéo, audio, texte, image, etc et de la rediriger vers le module d'analyse correspondant ; une fois le module spécifique obtient les résultats de l'analyse de la réponse donnée, le router les redirige vers le système AI-VT principal.
-
-Le module vidéo (LC1) permet de capturer un flux d'images à partir d'un dispositif externe (caméra vidéo ou robot NAO) et de les analyser pour déterminer si une réponse donnée est correcte, actuellement le module est utilisé pour évaluer la réponse à la question : montrer \textit{n} nombre de doigts. L'algorithme implémenté détecte les doigts qui apparaissent sur la caméra, les compte et détermine s'il s'agit de la bonne réponse à la question donnée.
-
-Le module audio (LC2) analyse une piste audio et convertit son contenu en texte. Une fois le texte généré, il peut être comparé à une réponse attendue à la question posée à l'aide de techniques NLP. Un score d'approximation estimé peut alors être calculé. Pour la comparaison est utilisé le module de texte (LC4) qui permet d'établir le score de similarité entre le texte envoyé comme réponse de l'apprenant ou converti depuis une réponse audio et un texte de référence.
-
-Le module d'analyse du code (LC3) génère un score après l'exécution de plusieurs étapes. En premier lieu, il détermine l'existence ou non de faiblesses dans certaines compétences prédéfinies. Il transforme ensuite la représentation du code en un vecteur numérique à comparer avec une réponse de référence : le résultat de la pondération entre les faiblesses détectées et le pourcentage de comparaison donne un score. 
-
-Le module d'analyse de texte (LC5) transforme le texte envoyé par l'apprenant en un vecteur numérique qui peut être comparé au vecteur numérique d'une réponse attendue. Dans ce cas, la réponse donnée ne doit pas nécessairement être exactement la même que la réponse attendue. La représentation vectorielle permet d'établir des similitudes dans l'espace, même si les termes utilisés et la longueur du texte diffèrent.
-
-Les modules LC6, LC7, LC8 et LC9 sont capables d'analyser différents types de réponses potentielles qui peuvent éventuellement gérées par le système AI-VT.
-
-Les modules LC1, LC2, LC3 ont été partiellement développés et n'ont pas été suffisamment testés pour les intégrer dans le système de façon fonctionnelle, les autres modules pour le moment sont théoriques.
-
-\subsection{Identification}
-
-Les modules de la couche d'identification visent à extraire des informations complémentaires à la note de l'étudiant pour chacune des réponses envoyées au système. Ces informations complémentaires permettent d'obtenir principalement des informations sur les expressions et les faiblesses qui peuvent se manifester dans chaque sous-compétence et niveau de complexité. Ce module d'AI-VT est ainsi capable d'obtenir une meilleure estimation de l'état de l'apprentissage afin de mieux adapter le parcours de l'apprenant.
-
-Les modules d'identification LD1, LD2 et LD4 tentent de détecter les comportements, les émotions et les sentiments à l'aide de dispositifs externes tels que la caméra vidéo et le microphone. Dans le cas de l'analyse vidéo, des réseaux neuronaux d'apprentissage profond sont utilisés pour capturer et analyser les images statiques obtenues à partir du flux de la caméra vidéo. Le modèle d'IA a été entraîné à détecter des émotions prédéfinies. Le module audio vise à détecter le même type d'émotions, mais à partir de l'analyse des signaux obtenus à partir d'un microphone. Il utilise également l'apprentissage profond entrainé avec des signaux qui présentent différentes émotions prédéfinies. Le module capteur est plus générique, mais il peut être subdivisé en modules spécifiques en fonction du type de capteur et du signal à analyser. Toutefois, l'idée de la détection est la même : détecter des émotions prédéfinies.
-
-Le module Analyse des données (LD3) est différent car, en plus d'être générique, il tente d'identifier les faiblesses dans des compétences spécifiques en fonction du type d'évaluation. Ce module peut contenir différents modèles entraînés pour chaque type de cas. Pour les exercices linguistiques, les faiblesses identifiables peuvent être la conjugaison des verbes, l'utilisation des temps, le vocabulaire, la correspondance des genres de mots, etc. Si l'exercice est de type programmation le module est capable d'identifier des faiblesses liées à la syntaxe, la déclaration de variables, l'appel de fonctions, la construction de structures, etc. Ce module fonctionne sur la base d'implémentation de modèles d'apprentissage profond et de modèles collaboratifs tels que le raisonnement à partir de cas 
-
-Les modules LD1 et LD3 ont été partiellement développés et n'ont pas été suffisamment testés pour les intégrer dans le système de façon fonctionnelle, les autres modules pour le moment sont théoriques.
-
-\subsection{Révision}
-
-Les modules qui se trouvent dans cette section sont les principales de ce travail. Dans la couche de révision, les modules utilisent les informations générées par les modules des couches de correction automatique et d'identification ainsi que les informations complémentaires de l'apprenant stockées dans la base de données du système. Ces modules valident le fait que la recommandation générée est optimale pour l'apprenant. Toutes les informations récoltées permettent d'établir la meilleure façon de guider l'apprenant vers une meilleure compréhension en surmontant les faiblesses et les lacunes qui ont été identifiées.
-
-Les ressources recommandées par le module LR1 proviennent d'une base de données déjà établie que le module consulte et suggère à l'étudiant en fonction du résultat de la comparaison de l'état d'apprentissage, du niveau et des caractéristiques et spécifications de chacune des ressources.
-
-Le module LR2 a deux variantes fondées sur les valeurs générées par l'apprenant lorsque la séance d'entrainement est en cours : l'une déterministe et l'autre stochastique. Le modèle déterministe utilise un tableau prédéterminé de rangs sur lequel l'apprenant est positionné pour générer la suggestion d'adaptation. Le modèle stochastique utilise des distributions de probabilités dynamiques qui changent en fonction des résultats de l'apprenant à chaque niveau de complexité de la même sous-compétence.
-
-D'autres modules proposant une prédiction avec les mêmes données que celles qui ont été utilisées pour la génération de l'adaptation sont aujourd'hui implémentés dans AI-VT. Ils permettent d'estimer plus précisément la performance de l'apprenant et si effectivement l'adaptation proposée lui permet d'acquérir les compétences nécessaires et d'améliorer les notes obtenues.
-
-Le module LR3 obtient dynamiquement des structures variables à partir des informations extraites du système AI-VT central. Ce module peut également effectuer des transformations dans la structure, le contenu et la représentation des données des apprenants.
-
-Le module LR4 utilise les informations produites par l'apprenant et les informations collaboratives pour tenter de prédire les performances futures de l'apprenant. En particulier avec la recommandation générée par les modules de la couche adaptative, la prédiction est utilisée pour valider l'adaptation recommandée et l'ajuster si nécessaire.
-
-Le module LR1 est fonctionnelle dans le système AI-VT, mais encore il est nécessaire ajouter plus de ressources en fonction des questions configurées. L'algorithme proposé pour le module LR2 est décrit dans le chapitre 7, l'algorithme proposé pour les modules LR3, et LR4 apparait dans le chapitre 6
-
-\subsection{Test}
-
-La couche de test fonctionne en amont et en aval de la génération des séances d'netrainement. Elle permet d'évaluer chacun des modules indépendamment et de générer des données spécifiques pour divers scénarios de test qui peuvent être pris en compte lors de la validation d'un module.
-
-Les outils des différentes couches de l'architecture peuvent communiquer entre eux, car pour que certains de leurs modules internes fonctionnent, ils ont besoin des informations générées par les modules des autres couches. La figure \figref{figLayers} montre les interactions qui peuvent se produire lorsque le système génère une séance ou l'adapte ou encore lorsqu'un module expérimental doit être évalué. La couche de test (LT) a besoin des informations générées par les modules de toutes les autres couches pour évaluer leurs performances individuelles. La couche d'identification (LD) doit obtenir les données relatives au profil des apprenants. Ces informations sont générées par le module de profil qui se trouve dans la couche de révision (LR). Pour certains modules qui ont la capacité de modifier une solution, cette couche doit connaître les résultats obtenus par l'apprenant dans chacun des tests ou exercices proposés par le système. Ces résultats sont attribués par la couche de correction automatique (LC). De plus, il est possible d'obtenir une estimation du résultat de la révision proposée avant qu'elle ne soit envoyée à l'apprenant, pour cela il faut invoquer les modules spécifiques de prédiction qui appartiennent à la couche de révision (LR).
-
-L'algorithme spécifique pour le module LT1 et les caractéristiques de la base de données générée sont détaillées dans le chapitre 7.
-
-\mfigure[!ht]{scale=0.8}{./Figures/Layers.png}{Relation entre les couches définies de l'architecture.}{figLayers}
-
-%\begin{figure}[!ht]
-%\centering
-%\includegraphics[scale=0.60]{./Figures/Layers.png}
-%\caption{Relation entre les couches définies de l'architecture.}
-%\label{figLayers}
-%\end{figure}
-
-Le flux complet d'informations est représenté sur la figure \figref{figFlow}. La première étape consiste à envoyer le test généré par le système AI-VT à l'apprenant. Lors de cette étape, le module d'identification correspondant à l'analyse à effectuer est également lancé. Lorsque l'étudiant envoie la réponse à une question, le module d'identification envoie à l'apprenant l'analyse effectuée sur cette même réponse. Grâce à ces informations, le système active les modules de correction automatique pour attribuer une note à la réponse envoyée, en tenant compte également des résultats du module d'identification. À l'étape 6, la note générée est envoyée au système, puis pour effectuer l'adaptation, le système obtient les informations spécifiques de l'apprenant et lance les modules d'adaptation, en envoyant les informations obtenues dans les étapes précédentes. Les algorithmes d'adaptation évaluent les variables et déterminent le parcours optimal pour l'apprenant, mais avant de le renvoyer au système principal, l'étape 9 évalue sa pertinence à l'aide du module de prédiction. Si le résultat de la prédiction détermine que le chemin suggéré est acceptable, il est envoyé au système principal qui décide, à l'étape 11, de le présenter à l'apprenant comme une alternative au chemin sélectionné à l'origine.
-
-\mfigure[!ht]{width=\textwidth}{./Figures/flow.png}{Étapes du flux de l'information pour la fonctionnalité de recommandation globale.}{figFlow}
-
-%\begin{figure}[!ht]
-%\centering
-%\includegraphics[width=\textwidth]{./Figures/flow.png} 
-%\caption{Étapes du flux de l'information pour la fonctionnalité de recommandation globale}
-%\label{figFlow}
-%\end{figure}
-
-\section{Conclusion}
-
-L'architecture proposée est fondée sur des concepts et des modèles couramment utilisés pour concevoir des systèmes complexes. Ils utilisent des algorithmes et des outils d'intelligence artificielle. Ce type de conception permet la mise en œuvre d'un système fonctionnel doté d'une capacité d'adaptation, nécessaire à l'exécution de l'une des principales exigences des systèmes d'apprentissage intelligents. En outre, comme l'indiquent les travaux cités en référence, l'architecture modulaire permet une mise en œuvre plus souple et donne au système la possibilité d'évoluer rapidement et même d'ajouter des fonctionnalités complémentaires sans affecter le système et les données qui y sont stockées.
diff --git a/main0.tex b/main0.tex
deleted file mode 100644
index a48bdf3..0000000
--- a/main0.tex
+++ /dev/null
@@ -1,390 +0,0 @@
-%% Use the standard UP-methodology class
-%% with French language.
-%%
-%% You may specify the option 'twoside' or 'oneside' for
-%% the document.
-%%
-%% See the documentation tex-upmethodology on
-%% http://www.arakhne.org/tex-upmethodology/
-%% for details about the macros that are provided by the class and
-%% to obtain the list of the packages that are already included. 
- 
-\documentclass[a4paper,french]{spimufcphdthesis}
-\renewcommand{\familydefault}{\sfdefault} % Met tout le texte en 'sans serif'.
- 
-%%--------------------
-%% The TeX code is entering with UTF8
-%% character encoding (Linux and MacOS standards)
-\usepackage[utf8]{inputenc}
- 
-\usepackage[T1]{fontenc}
-\usepackage{times}
-\usepackage{graphicx}
-\usepackage{xcolor,graphicx}
-
-\usepackage[export]{adjustbox} % Pour aligner image à droite
-
-\usepackage{url}
-%\geometry{margin=1in}
-
-%%-------------------
-%% NATBIB is enabled by default.
-%% If you would like to disable it, put the 'nonatbib' option to the class' options.
- 
-%%--------------------
-%% Include the 'multibib' package to enable to
-%% have different types of bibliographies in the
-%% document (see at the end of this template for
-%% an example with a personnal bibliography and
-%% a general bibliography)
-%%
-%% Each bibliography defined with 'multibib'
-%% adds a chapter with the corresponding
-%% publications (in addition to the chapter for
-%% the standard/general bibliography).
-%% CAUTION:
-%% There is no standard way to do include this type of
-%% personnal bibliography.
-%% We propose to use 'multibib' package to help you,
-%% for example.
-%\usepackage{multibib}
- 
-%% Define a "type" of bibliography, here the PERSONAL one,
-%% that is supported by 'multibib'.
-%\newcites{PERSO}{Liste de mes publications}
- 
-%% To cite one of your PERSONAL papers with the style
-%% of the PERSONAL bibliography: \citePERSO{key}
-%% To force to show one of your PERSONAL papers into
-%% the PERSONAL bibliography, even if not cited in the
-%% text: \nocitePERSO{key}
- 
-%% REMARK: When you are using 'multibib', you
-%% must compile the PERSONAL bibliography by hand.
-%% For example, the sequence of commands to run
-%% when you had defined the bibliography PERSO is:
-%%   $ pdflatex my_document.tex
-%%   $ bibtex my_document.aux
-%%   $ bibtex PERSO.aux
-%%   $ pdflatex my_document.tex
-%%   $ pdflatex my_document.tex
-%%   $ pdflatex my_document.tex
- 
-%%--------------------
-%% Add here any other packages that are needed for your document.
-%\usepackage{eurosim}
-\usepackage{amsmath}
-\usepackage{algorithm}
-\usepackage{algpseudocode}
-\usepackage{xcolor}
-
-%%--------------------
-%% Set the title, subtitle, defense date, and
-%% the registration number of the PhD thesis.
-%% The optional parameter is the subtitle of the PhD thesis.
-%% The first mandatory parameter is the title of the PhD thesis.
-%% The second mandatory parameter is the date of the PhD defense.
-%% The third mandatory parameter is the location/city of the PhD defense.
-%% The forth mandatory parameter is the reference number given by
-%% the University Library after the PhD defense.
-\declarethesis%[Sous-titre]
-%{Adaptation en temps réel d'une séance d'entraînement par intelligence artificielle}{17 septembre 2025}{Besançon}{XXX}
- 
-%%--------------------
-%% Set the title in the secondary language
-%% (it is in English if the PhD dissertation is written in French; it is French if the PhD dissertation is written in English)
-%\declareminorthesistitle{Titre dans la langue secondaire}
-
-%%--------------------
-%% Add a member of the jury
-%%
-%% Two macros are provided: one without civility, one with civility.
-%%
-%% CAUTION 1: If a Jury member is not present during the defense,
-%%            she/he must be in the list of the Jury members.
-%%            Only the reviewers and the members who are present during the defense must
-%%            appear in the Jyry member list. 
-%% CAUTION 2: After your defense, you must assign the role "Pr\'esident" to
-%%            the Jury member who have been the President of the Jury.
-%% CAUTION 3: The recommended order for the Jury members is:
-%%            President, Reviewer(s), Examiner(s), Director(s),
-%%            Other supervisor(s), Invited person(s).
-%% \addjury{Firstname}{Lastname}{Role in the jury}{Position}
-
-%%--------------------
-%% Change style of the table of the jury
-%% \Set{jurystyle}{put macros for the style}
-%\Set{jurystyle}{\small}
- 
-%%--------------------
-%% Set the English abstract
-\thesisabstract[english]{The aim of this thesis work is to take into account in real time a learner's work for a better personalization of AI-VT (Artificial Intelligence Virtual Trainer).
-
-Some of the most common and typical problems in the field of intelligent tutoring systems (ITS) are (i) correctly identifying learners' difficulties in the learning process, (ii) adapting the content or presentation of the system according to the difficulties encountered, and (iii) the ability to adapt without initial data (cold start). In some cases, the system tolerates modifications after the skills have been acquired and assessed. Other systems require complicated real-time adaptation, as only a limited amount of data can be captured. In this case, they must be analyzed correctly and with a certain degree of precision in order to obtain the appropriate adaptations. The proposed architecture and the modules developed with artificial intelligence techniques work in tandem, exploiting the advantages of each to obtain effective adaptation proposals according to the evolution of learners' knowledge, thus enabling knowledge acquisition and progression in the learning process.}
- 
-%%--------------------
-%% Set the English keywords. They only appear if
-%% there is an English abstract
-\thesiskeywords[english]{Intelligent tutoring systems, Artificial intelligence, Case-based reasoning, Multi-agent systems, Bayesian reasoning, Thompson sampling, Hawkes process}
- 
-%%--------------------
-%% Set the French abstract
-\thesisabstract[french]{L'objectif de ce travail de thèse est la prise en compte en temps réel du travail d'un apprenant pour une meilleure personnalisation d'AI-VT (Artificial Intelligence Virtual Trainer).
-
-Certains des problèmes les plus courants et les plus typiques dans le domaine des environnements informatiques d'apprentissage humain (EIAH) sont (i) l'identification correcte des difficultés des apprenants dans le processus d'apprentissage, (ii) l'adaptation du contenu ou de la présentation du système en fonction des difficultés rencontrées, et (iii) la capacité à s'adapter sans données initiales (démarrage à froid). Dans certains cas, le système tolère des modifications après la réalisation et l'évaluation des compétences. D'autres systèmes nécessitent une adaptation compliquée en temps réel car seul un nombre limité de données peut être capturé. Dans ce cas, elles doivent être analysées correctement et avec une certaine précision afin d'obtenir les adaptations appropriées. L'architecture proposée et les modules développés avec techniques d'intelligence artificielle fonctionnent de manière associée en exploitant les avantages de chacun pour obtenir des propositions d'adaptation performantes selon l'évolution des connaissances des apprenants, permettant ainsi l'acquisition des connaissances et la progression dans le processus d'apprentissage.
-}
- 
-%%--------------------
-%% Set the French keywords. They only appear if
-%% there is an French abstract
-\thesiskeywords[french]{Environnements informatiques d'apprentissage humain, Intelligence artificielle, Raisonnement à partir de cas, Systèmes multi-agent, Raisonnement Bayésien, Échantillonage de Thompson, Processus de Hawkes}
- 
-%%--------------------
-%% Change the layout and the style of the text of the "primary" abstract.
-%% If your document is written in French, the primary abstract is in French,
-%% otherwise it is in English.
-%\Set{primaryabstractstyle}{\tiny}
- 
-%%--------------------
-%% Change the layout and the style of the text of the "secondary" abstract.
-%% If your document is written in French, the secondary abstract is in English,
-%% otherwise it is in French.
-%\Set{secondaryabstractstyle}{\tiny}
- 
-%%--------------------
-%% Change the layout and the style of the text of the "primary" keywords.
-%% If your document is written in French, the primary keywords are in French,
-%% otherwise they are in English.
-%\Set{primarykeywordstyle}{\tiny}
- 
-%%--------------------
-%% Change the layout and the style of the text of the "secondary" keywords.
-%% If your document is written in French, the secondary keywords are in English,
-%% otherwise they are in French.
-%\Set{secondarykeywordstyle}{\tiny}
- 
-%%--------------------
-%% Change the speciality of the PhD thesis
-%\Set{speciality}{Informatique}
- 
-%%--------------------
-%% Change the institution
-%\Set{universityname}{Universit\'e de Technologie de Belfort-Montb\'eliard}
- 
-
-%%--------------------
-%% Clear the list of the laboratories
-\resetlaboratories
-
-%%--------------------
-%% Add the laboratory where the thesis was made
-\addlaboratory{Laboratoire Connaissance et Intelligence Artificielle Distribu\'ees}
-
-%%--------------------
-%% The name of the university that is jointly delivering the Doctoral degree with UBFC
-%\Set{jointuniversity}{Universit\'e de Ngaound\'er\'e au Cameroun}
-
-%%--------------------
-%% Clear the list of the partner/sponsor logos
-%\resetpartners
-
-%%--------------------
-%% Add the logos of the partners or the sponsors on the front page
-%%
-%% CAUTION 1: At least, the logo of the University should appear (UFC)
-%%
-%\addpartner[image options]{image name}
-
-%\addpartner{ufc}
-
-%%--------------------
-%% Change the header and the foot of the pages.
-%% You must include the package "fancyhdr" to
-%% have access to these macros.
-%% Left header
-%\lhead{}
-%% Center header
-%\chead{}
-%% Right header
-%\rhead{}
-%% Left footer
-%\lfoot{}
-%% Center footer
-%\cfoot{}
-%% Right footer
-%\rfoot{}
- 
-%%--------------------
-% Declare several theorems
-%\declareupmtheorem{mytheorem}{My Theorem}{List of my Theorems}
-
-%%--------------------
-%% Change the message on the backcover.
-%\Set{backcovermessage}{%
-%	Some text
-%}
-
-\usepackage{layout} % Add this to view current margins
-
-\usepackage[pass]{geometry}
-
-\begin{document}
-
-\newgeometry{left=6cm, bottom=0.1cm}
-
-\begin{titlepage} % Supprime headers et footers de la page
-\begin{figure}[t]
-	\includegraphics[width=0.4\textwidth]{images_logos/image1_logoUBFC_grand.png}\hfill\includegraphics[width=0.4\textwidth]{images_logos/logo_UFC_2018_transparence.png}
-\end{figure}
-
-\begin{center}
-	
-\vspace*{1.0cm}
-\footnotesize{\textsf{\textbf{THESE DE DOCTORAT DE L’ETABLISSEMENT UNIVERSITE BOURGOGNE FRANCHE-COMTE\\~\\
-			PREPAREE A l'UNIVERSITE DE FRANCHE-COMTE}}}
-
-\vspace{1.0cm}
-Ecole doctorale n\textsuperscript{o} <numéro de l'Ecole doctorale>\\~\\
-<Nom de l'Ecole doctorale>
-
-\vspace{1.0cm}
-Doctorat de Informatique
-
-\vspace{1.5cm}
-Par\\~\\M. SOTO FORERO Daniel
-
-\vspace{1.5cm}
-Adaptation en temps réel d'une séance d'entraînement par intelligence artificielle
-
-%\vspace{0.12cm}
-%<Sous-titre ou deuxième ligne du titre de la thèse>
-
-\begin{flushleft}
-
-\vspace{1.0cm}
-Thèse présentée et soutenue à Besançon, le <date>
-
-\vspace{1.0cm}
-Composition du Jury~:
-
-\begin{tabbing} %Tabulations avec'\>', positions indiquées par '\='.
-~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\=~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\=\\ % Définit les positions des tabulations
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Président\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Rapporteur\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Rapporteur\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Examinateur\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Examinatrice\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Directeur de thèse\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Codirecteur de thèse\\
-<Civilité><Nom><Prénom> \> <Fonction et établissement d’exercice> \> Invité
-\end{tabbing}
-\end{flushleft}
-\end{center}
-\end{titlepage} % Fin de page de titre
-
-\restoregeometry
-
-%%--------------------
-%% The following line does nothing until
-%% the class option 'nofrontmatter' is given.
-%\frontmatter
-
-%%--------------------
-%% The following line permits to add a chapter for "acknowledgements"
-%% at the beginning of the document. This chapter has not a chapter
-%% number (using the "star-ed" version of \chapter) to prevent it to
-%% be in the table of contents
-\chapter*{Remerciements}
-
-\newpage
-\hfill\begin{minipage}{0.32\linewidth}
-\end{minipage}
-\newpage
-
-%%--------------------
-%% Include a general table of contents
-\tableofcontents
-
-%%--------------------
-%% The content of the PhD thesis
-\mainmatter
- 
-\part{Contexte et Problématiques}
-
-\chapter{Introduction}
-
-\chapterintro
-
-Ce chapitre introductif vise à expliquer les termes du sujet et à introduire la thématique principale abordée. Il présente la problématique de cette thèse, introduit les différentes contributions proposées et annonce le plan du manuscrit.
-
-Comme l'indique \cite{Nkambou}, les environnements informatiques pour l'apprentissage humain (EIAH) sont des outils proposant des services devant permettre aux apprenants d'acquérir des connaissances et de développer des compétences dans un domaine spécifique. Pour fournir des services efficaces, le système doit intégrer une représentation des connaissances du domaine et des mécanismes pour utiliser ces connaissances. Il doit également être en mesure de raisonner et de résoudre des problèmes. 
-%% JH : j'ai supprimé ce qui suit car je n'ai pas compris le sens : "ainsi que un module expert spécifique pour faciliter l'acquisition aux apprenants".\\
-
-Le système \textit{Artificial Intelligence - Virtual Trainer} (AI-VT) est un EIAH générique dévéloppé au département d'informatique des systèmes complexes (DISC) de l'institut de recherche FEMTO-ST. Cet outil informatique propose un ensemble d'exercices aux apprenants dans le cadre de séances d'entrainement. AI-VT intègre le fait qu'une séance d'entraînement se situe dans un cycle de plusieurs séances. Les réponses apportées par l'apprenant à chaque exercice sont évaluées numériquement sur une échelle prédéfinie, ce qui permet d'estimer les progrès de l'apprenant et de déduire les sous-domaines dans lesquels il peut avoir des difficultés. Une séance est générée par un système multi-agents associé à un système de raisonnement à partir de cas (RàPC) \cite{doi:10.1177/1754337116651013}. Un apprenant choisit le domaine dans lequel il souhaite s'entraîner et AI-VT lui propose un test préliminaire. Les résultats obtenus permettent de placer l'apprenant dans le niveau de maîtrise adéquate. Le système génère ensuite une séance adaptée veillant à l'équilibre entre l'entraînement, l'apprentissage et la découverte de nouvelles connaissances. L'actualisation du niveau de l'apprenant est effectuée à la fin de chaque séance. De cette façon l'apprenant peut avancer dans l'acquisition des connaissances ou s'entraîner sur des connaissances déjà apprises.
-
-Un certain nombre d'EIAH utilisent des algorithmes d'intelligence artificielle (IA) pour détecter les faiblesses et aussi pour s'adapter à chaque apprenant. Les algorithmes et modèles de certains de ces systèmes seront analysés dans les chapitres 2 et 3. Ces chapitres présenteront leurs propriétés, leurs avantages et leurs limites.
-
-Le système AI-VT initial était capable d'ajuster les paramètres de personnalisation d'une séance à l'autre, mais il ne pouvait pas modifier une séance en cours même si certains exercices de celle-ci était trop simples ou trop complexes. Chaque séance était figée et devait être déroulée jusqu'à son terme avant de pouvoir identifier des acquis et des lacunes. Les travaux de cette thèse ont eu pour objectif de pallier ce manque.
-
-\begin{emphbox}
-La problématique principale de cette thèse est
-la personnalisation en temps réel du parcours d’apprentissage des apprenants dans le système AI-VT (\textit{Artificial Intelligence - Virtual Trainer})\\
-\end{emphbox}
-
-Ici \textit{le temps réel} est considéré comme étant le moment où se déroule la séance que l'apprenant est en train de suivre.  
-Par conséquent, l'objectif est de rendre AI-VT plus dynamique pour l'identification des difficultés et l'adaptation du contenu personnalisé en fonction des connaissances démontrées.
-
-La partie suivante présente une liste des principales contributions apportées par cette thèse à la problématique générale énoncée plus haut.
-
-Ce travail de thèse a été éffectué au sein l'Université de Franche-Comté (UFC) devenue depuis le 1er janvier 2025 l'Université Marie et Louis Pasteur (UMLP). Ces recherches ont été menées au sein de l'équipe DEODIS du département d'informatique des systèmes complexes de l'institut de recherche FEMTO-ST, unité mixte de recherche (UMR) 6174 du centre national de la recherche scientifique (CNRS).
-
-\section{Contributions Principales}
-
-La problématique principale de ces travaux de recherche a été déclinée en plusieurs sous-parties. Ces dernières sont présentées ci-dessous sous la forme de questions. Pour chacune d'elles, une ou plusieurs propositions ont été faites. Voici les questions de recherche abordées et les contributions apportées :
-
-\begin{enumerate}
-    \item \textbf{Comment permettre au système AI-VT d'évoluer et d'intégrer de multiples outils ?} Pour répondre à cette question, une architecture modulaire autour du moteur initial d'AI-VT a été conçue et implémentée (ce moteur initial étant le système de raisonnement à partir de cas (RàPC) développé avant le démarrage de ces travaux de thèse).
-
-    \item \textbf{Comment déceler qu'un exercice est plus ou moins adapté aux besoins de l'apprenant ?} Choisir les exercices les plus adaptés nécessite d'associer une valeur liée à son utilité pour cet apprenant. Les modèles de régression permettent d'interpoler une telle valeur. Pour répondre à cette question, nous avons proposé de nouveaux modèles de régression fondés sur le paradigme du raisonnement à partir de cas et celui des systèmes multi-agents.   
-
-    \item \textbf{Quel modèle et quel type d'algorithmes peuvent être utilisés pour recommander un parcours personnalisé aux apprenants ?} Pour apporter une réponse à cette question, un système de recommandation fondé sur l'apprentissage par renforcement a été conçu. L'objectif de ces travaux est de proposer un module permettant de recommander des exercices aux apprenants en fonction des connaissances demontrées et en se fondant sur les réponses apportées aux exercices précédents de la séance en cours. Ce module de révision de la séance en cours du modèle de RàPC est fondé sur un modèle Bayésien. 
-
-    \item \textbf{Comment consolider les acquis de manière automatique ?} Une séance doit non seulement intégrer des exercices de niveaux variés mais également permettre à l'apprenant de renforcer ses connaissances. Dans cette optique, notre modèle Bayésien a été enrichi d'un processus de Hawkes incluant une fonction d'oubli.
-
-\end{enumerate}
-
-\section{Plan de la thèse}
-
-Ce manuscrit est scindé en deux grandes parties. La première partie contient trois chapitres et la seconde en contient quatre. Le premier chapitre de la première partie (chapitre 2) vise à introduire le sujet, les concepts, les algorithmes associés, présenter le contexte général et l'application AI-VT initiale. Le deuxième chapitre de cette partie présente différents travaux emblématiques menés dans le domaine des environnements informatiques pour l'apprentissage humain. Le chapitre suivant conclut cette première partie en présentant le raisonnement à partir de cas. 
-
-Dans la seconde partie du manuscrit, le chapitre 5 explicite l'architecture proposée pour intégrer les modules développés autour du système AI-VT initial et élargir ses fonctionnalités. Le chapitre 6 propose deux outils originaux fondés sur le raisonnement à partir de cas et les systèmes multi-agents pour résoudre des problèmes de régression de façon générique. Le chapitre 7 présente l'application de ces nouveaux outils de régression dans un  système de recommandation intégré à AI-VT utilisant un modèle Bayésien. Ce chapitre montre de quelle manière il permet de réviser une séance d'entraînement en cours. Le chapitre 8 montre l'utilisation du processus de Hawkes pour renforcer l'apprentissage. 
-
-Enfin, une conclusion générale incluant des perspectives de recherche termine ce manuscrit.
-
-\include{./chapters/contexte2.tex}
-
-\part{État de l'art}
-
-\include{./chapters/EIAH.tex}
-
-\include{./chapters/CBR.tex}
-
-\part{Contributions}
-
-\include{./chapters/Architecture.tex}
-
-\include{./chapters/ESCBR.tex}
-
-\include{./chapters/TS.tex}
-
-\include{./chapters/Conclusions.tex}
-
-\include{./chapters/Publications.tex}
-
-%\bibliographystyle{spimphdthesis}
-\bibliographystyle{apalike}
- 
-%% Link the GENERAL bibliogaphy to a BibTeX file.
-\bibliography{main.bib}
-
-\end{document}
\ No newline at end of file