Nos travaux s’inscrivent dans le cadre des recherches menées sur les Environnements Informatiques pour l’Apprentissage Humain (EIAH) et plus particulièrement dans celui du projet Interaction et Connaissance (I&C) du Laboratoire d’Informatique de l’Université du Maine (LIUM). Le projet I&C vise à élaborer des modèles, méthodes et outils pour la conception d’environnements dédiés à l’apprentissage particulier de la modélisation. Ce projet est appliqué actuellement à l’apprentissage des concepts de la Modélisation Orientée Objet (MOO) et a suscité le développement d’un EIAH nommé Diagram.

Nous abordons dans nos travaux de thèse le problème d’analyse des réponses de l’apprenant lors de l’activité de modélisation et en particulier lors de l’activité d’initiation à la construction d’un diagramme de classes UML de niveau analyse à partir de spécifications textuelles. Dans ce contexte, il n’est pas possible de mettre en place un résolveur pédagogique.

L’objectif principal de cette thèse est de proposer une méthode pour l’analyse automatique des diagrammes de l’apprenant dans le cadre de l’activité de modélisation en informatique menée par des novices. Cette méthode doit être conçue à un niveau indépendant des besoins pédagogiques, afin de garantir une certaine généricité, tout en demeurant assez efficace pour que les résultats puissent servir à la production de rétroactions synchrones dans un EIAH (notamment dans l’environnement Diagram). Pour répondre à cet objectif, nous avons étudié conjointement les environnements existants dans le cadre de l’apprentissage de la modélisation et de l’analyse des productions des apprenants, les caractéristiques intrinsèques des modèles à analyser et enfin des travaux relatifs à la restructuration, la transformation et l’appariement de modèles. À partir de cette étude, nous avons retenu le principe de concevoir un outil de diagnostic basé sur la comparaison et l’appariement des constituants de plusieurs diagrammes. Cette proposition s’inspire des concepts et des techniques d’appariement de modèles et se concentre principalement sur les aspects structurels des modèles à apparier. Pour qualifier les écarts entre les éléments des modèles, nous nous focalisons sur la notion de différences (exprimées dans une taxonomie que nous avons définie) entre le diagramme de l’apprenant et un diagramme de référence construit par un expert. L’approche a été appliquée pour analyser les diagrammes de classes UML mais peut être généralisable à d’autres types de modèles structurés.

Nous avons instancié notre méthode d’appariement sous forme d’un composant logiciel, nommé ACDC (Automatic Class Diagrams Comparator) que nous avons ensuite intégré dans Diagram. ACDC respecte les normes et les standards actuels de la MOO en utilisant notamment le composant UML2 du projet EMP (Eclipse Modeling Project) et le format XMI (XML Metadata Interchange). Les résultats d’ACDC (les différences relevées) sont traités dans Diagram pour la production de rétroactions pédagogiques synchrones destinées à l’apprenant.

Nous avons évalué la pertinence et la qualité des résultats produits par ACDC en dehors de Diagram à l’aide de quatre mesures de qualité (Précision, Rappel, F-Mesure et Recall) sur un corpus de quatre-vingt-deux diagrammes que nous avons collectés dans des situations réelles d’apprentissage. Dans le cadre de l’environnement Diagram (avec le diagnostic et la production des rétroactions pédagogiques), une expérimentation en situation réelle d’apprentissage a été menée fin 2008.