Academic literature on the topic 'Apprentissage avec peu d’exemples'

RésuméL’article présente une analyse des démarches d’enseignement-apprentissage proposées dans trois manuels scolaires conçus en fonction du nouveau programme d’études en sciences humaines. Afin de dégager les éléments de rupture et de continuité, les résultats sont mis en relation avec les démarches d’enseignement-apprentissage véhiculées dans les manuels scolaires associés au précédent programme d’études. Les résultats montrent que le passage d’une pédagogie par objectifs à une approche par compétences a généré peu de changements. Les manuels scolaires demeurent porteurs d’un modèle expositif et transmissif, peu propice au développement, chez l’élève, d’un système d’interprétation des réalités et des dynamiques socio-spatiales.

L’article s’efforce de mettre en oeuvre la méthode inductive en sociologie visuelle, en combinant une analyse des contenus de la photographie avec le commentaire de la forme photographique. Il s’agit donc d’un travail de réflexion sur la méthodologie du commentaire analytique où l’induction se marie au travail d’analyse. Les éléments de théorie qui se dégagent peu à peu sont empruntés à des références savantes en même temps qu’à ce qui ressort comme généralités du regard sur la photographie. Trois photographies, oeuvres de l’auteur de l’article, servent de support et d’exemples à la démarche et à la méthodologie.

Résumé Le radioroman Le Survenant offre un laboratoire privilégié pour étudier les liens entre échanges linguistiques et rapports de pouvoir. Le présent article propose des données chiffrées sur l’exercice de la parole dans les cinquante premiers épisodes de la série, suivies d’exemples de rapports de force linguistiques. En ressort l’image d’un monde hautement conflictuel, dans lequel la domination linguistique et sociale de certains hommes ressort avec force alors que la parole des femmes est marginalisée et peu considérée.

Le synode sur la synodalité invite à mieux cerner la pratique du consensus ecclésial dans les diverses communautés chrétiennes. Certains documents laissent entendre que la vision orthodoxe de la synodalité concerne exclusivement l’exercice de l’autorité épiscopale. Or, il y a presque autant de pratiques synodales que d’Églises locales. L’article se propose de revisiter l’évolution de ces pratiques dans la sphère orthodoxe à partir de trois moments historiques. L’encyclique des patriarches d’Orient rédigée en 1848, le concile de Moscou convoqué en 1917 et le Grand Concile panorthodoxe réuni en 2016 sont autant d’exemples de la résonnance de la notion de conciliarité – fondée sur le sacerdoce royal de tout baptisé – avec les transformations culturelles et politiques de l’époque. Observer les signes des temps servirait à orienter une synodalité en recherche pour l’ensemble des chrétiens.

Le Mouvement international « Aide à toute détresse » (ATD) travaille avec les sous-prolétaires et tente de les mobiliser contre l’exclusion qu’ils subissent. Deux types d’action, en particulier, s’inscrivent dans un processus d’éducation populaire du Quart-monde : les « pivots culturels » et les « soirées du Quart-monde ». Dans le premier cas, il s’agit de rassembler des familles d’un même quartier à partir d’une action éducative avec leurs enfants. Ce lieu de rencontre est « culturel » dans le sens où s’y déroulent diverses activités de lecture, d’artisanat, de musique, de danse, etc. Les enfants, et à travers eux les familles, y font un double apprentissage de socialisation et de connaissances. Dans le second cas, des sous-prolétaires se rassemblent pour lutter contre l’enfermement qu’ils subissent en faisant l’apprentissage de la prise de parole, de l’expression collective de leur dynamisme et de leur compétence. Ces interventions sont enregistrées et constituent un vaste recueil de paroles d’un peuple condamné au silence et qui, ainsi, sort peu à peu de son isolement.

Selon l’Office International des Epizooties (OIE) une maladie émergente désigne une maladie grave récemment reconnue, dont la cause peut, ou non, avoir déjà été établie, et qui est susceptible de se propager au sein d’une population ou entre des populations, par exemple à l’occasion d’échanges internationaux d’animaux aquatiques et/ou de produits d’animaux aquatiques. Si les maladies émergentes qui affectent la santé humaine ont été très étudiées, celles qui touchent les organismes marins et les organismes aquacoles d’intérêt économique en particulier sont en revanche peu documentées. C’est en restreignant l’émergence aux seules maladies infectieuses que seront présentés de façon non exhaustive quelques scénarios de l’émergence des maladies chez les organismes d’intérêt aquacole en les illustrant par trois exemples disponibles dans la littérature scientifique : l’un relatif à l’apparition d’un agent pathogène chez un nouvel hôte avec le cas de l’herpesvirus de la carpe Koï, l’autre à l’évolution d’un agent pathogène existant avec le cas de la vibriose à Vibrio nigripulchritudo sévissant dans les élevages de crevettes pénéides de Nouvelle-Calédonie et enfin le dernier lié à l’introduction d’un pathogène préexistant avec le cas de Bonamia ostreae infectant l’huître plate Ostrea edulis. Les causes d’émergence de maladies sont multiples et font intervenir de façon intercurrente l’agent pathogène, l’environnement, l’hôte ou les espèces hôtes et des facteurs anthropiques. Dans le milieu marin, ces causes sont bien souvent méconnues. Dans ce contexte le développement des réseaux de surveillance et des techniques de diagnostic revêtent un intérêt considérable afin d’anticiper, de prévenir et/ou d’intervenir sur l’émergence des maladies en limitant leur conséquences sanitaires, écologiques et politiques.

Pour favoriser l'adaptation du client, l'ergothérapeute doit souvent avoir recours à l'enseignement. La relation ergothérapeute-client est alors modifiée et définie comme le processus enseignement-apprentissage. L'ergothérapie reconnaît le processus enseignement-apprentissage comme un outil d'intervention fort précieux, mais il demeure néanmoins méconnu des ergothérapeutes. La littérature mentionne peu de modèles éducatifs ou pédagogiques utilisés en ergothérapie. Un des modèles cités est celui de l'apprentissage expérientiel. Ce modèle est un processus cyclique qui se base sur l'activité, l'expérience concrète de l'apprenant pour favoriser l'apprentissage. L'apprentissage est alors plus significatif pour l'apprenant et mieux intégré à sa réalité quotidienne. Le présent article définit ce modèle d'apprentissage et présente une analyse comparative de ses principes de base et des croyances fondamentales de l'ergothérapie. L'analyse démontre que l'approche expérientielle est tout à fait compatible avec la philosophie et la pratique de l'ergothérapie.

Le texte présente une analyse de 69 situations d’enseignement-apprentissage (SEA) en sciences et technologies intégrant le domaine général de formation «Environnement et consommation». Les SEA analysées proviennent de manuels scolaires québécois du primaire. L’analyse vise à dégager les dynamiques sociospatiales prises en considération lors du traitement des problématiques environnementales. Les résultats démontrent que malgré l’articulation annoncée du domaine général de formation «Environnement et consommation» aux SEA en sciences et technologies, celles-ci demeurent pour l’essentiel disciplinaires et sollicitent fort peu de savoirs en lien avec les dynamiques sociospatiales. Ainsi, les dimensions territoriales, politiques et économiques sont largement évacuées des réflexions environnementales.

Literature can provide all kinds of teaching materials for learning pronunciation of French as a foreign language (FLE), but practice and research in this area are still very little developed. New tools and social media can reverse this trend by promoting the oral production of learners and by integrating effective and motivating teaching tasks. For several years we have been conducting research on the applications of new technologies to teaching / learning FLE at the University of León in Spain and we have developed two pioneering and complementary databases: one on literary resources and the other on students' oral productions. We discuss in this article the French Literature Multimedia FLE project, an online audiovisual database on French literature for teaching and learning FLE and the Oral FLE Pronunciation project, an oral corpus of oral productions of Spanish learners of French as a foreign language. La littérature peut fournir toute sorte de matériaux pédagogiques pour l’apprentissage de la prononciation du français langue étrangère (FLE), mais la pratique et la recherche dans ce domaine sont encore très peu développées. Les nouveaux outils et médias sociaux peuvent inverser cette tendance en favorisant la production orale des apprenants et en intégrant des tâches pédagogiques efficaces et motivantes. Depuis plusieurs années nous menons des recherches sur les applications des nouvelles technologies à l’enseignement / apprentissage du FLE à l’Université de León en Espagne et nous avons élaboré deux bases de données pionnières et complémentaires: une sur des ressources littéraires et l’autre sur les productions orales des étudiants. Nous abordons dans cet article le projet Littérature Française Multimédia FLE, une base de données audiovisuelle en ligne sur la littérature française pour l’enseignement et apprentissage du FLE et le projet Oral FLE Prononciation, un corpus oral des productions orales des apprenants espagnols de français langue étrangère.

Au Québec, un nombre de plus en plus important d’écoles organisent un apprentissage intensif de l’anglais en tant que langue seconde durant la sixième année du primaire. Nous présentons ici une partie des résultats d’une étude qui porte sur l’impact de cet apprentissage intensif sur le rapport que les élèves établissent avec l’écriture en français langue d’enseignement et en anglais langue seconde. Trente élèves issus de cinq classes ont été rencontrés lors de mini-entrevues à trois moments distincts au cours de l’année scolaire (début, milieu, fin). Les résultats obtenus indiquent que les enfants rencontrés ont des pratiques d’écriture diversifiées en français langue d’enseignement en dehors des commandes scolaires et que ces pratiques varient peu au fil de l’année. Pour quelques-uns d’entre eux, le module d’apprentissage intensif de l’anglais en tant que langue seconde a pour effet de provoquer l’émergence de quelques pratiques d’écriture extrascolaire dans cette langue. Une majorité déclare s’engager positivement dans les activités scripturales scolaires à certaines conditions et les juge utiles pour la progression de l’apprentissage. Enfin, plusieurs élèves font preuve du développement d’une attention métalinguistique qui leur permet de percevoir des différences entre les deux langues.

L’apprentissage fédéré est un cadre d’apprentissage automatique collaboratif et décentralisé, motivé par des préoccupations croissantes concernant la confidentialité desdonnées. En transférant l’entraînement des modèles vers des noeuds locaux et en conservant les données sur place, il favorise une approche plus respectueuse de la vie privée. Toutefois, cette méthode impose un surcoût en termes de communication et de calcul à ceux qui l’adoptent. Dans ce manuscrit, nous examinons les principaux défis de l’apprentissage fédéré et proposons des solutions visant à augumenter l’efficacité tout en réduisant les besoins en ressources matérielles. Plus précisément, nous explorons des techniques de compression classiques, comme l’élagage, ainsi que des approximations en rang faible afin de diminuer les coûts associés à l’apprentissage fédéré. Pour les scénarios où les participants disposent de capacités de communication limitées, nous introduisons une méthodologie de co-conception pour un algorithme d’apprentissage avec peu d’examples embarqué. Notre solution intègre les contraintes matérielles au sein d’un pipeline de déploiement sur des plateformes FPGA, aboutissant à un algorithme à faible latence qui peut également être exploité pour mettre en oeuvre des modèles post-apprentissage fédéré
Federated learning is a collaborative, decentralized machine learning framework driven by growing concerns about data privacy. By shifting model training to local nodes and keeping data local, it enables more privacy-conscious training. However, this approach imposes additional communication and computation overhead on those who adopt it. In this manuscript, we examine the key challenges in federated learning and propose solutions to increase efficiency and reduce hardware requirements. Specifically, we explore classic compression techniques, such as pruning, and low-rank approximations to lower the costs associated with federated learning. For scenarios where participants have limited communication capabilities, we introduce a co-design methodology for an embedded few-shot learning algorithm. Our proposed solution integrates hardware constraints into a deployment pipeline for FPGA platforms, resulting in a low-latency algorithm that can also be leveraged to implement post-federated learning models

L’analyse automatique d’images a permis d’améliorer l’exploitation des capteurs d’image, avec des données qui proviennent de différents capteurs tels que des caméras de téléphone, des caméras de surveillance, des imageurs satellites ou encore des drones. L’apprentissage profond obtient d’excellents résultats dans les applications d’analyse d’images où de grandes quantités de données annotées sont disponibles, mais apprendre un nouveau classifieur d’images à partir de zéro est une tâche difficile. La plupart des méthodes de classification d’images sont supervisées, nécessitant des annotations, ce qui représente un investissement important. Différentes solutions d’apprentissage frugal (avec peu d’exemples annotés) existent, notamment l’apprentissage par transfert, l’apprentissage actif, l’apprentissage semi-supervisé ou bien le méta-apprentissage. L’objectif de cette thèse est d’étudier ces solutions d’apprentissage frugal pour des tâches de reconnaissance visuelle, notamment la classification d’images et la détection des changements dans des images satellites. Ainsi, le classifieur est entraîné de façon itérative en commençant avec très peu de données, et en demandant à l’utilisateur d’annoter le moins possible de données pour obtenir des performances satisfaisantes. L’apprentissage actif profond a été étudié initialement avec d’autres méthodes et nous a semblé le plus adapté à notre problématique métier, nous avons donc privilégié cette solution. Nous avons développé dans cette thèse une première approche interactive, où nous posons les questions les plus informatives sur la pertinence des données à un oracle (annotateur). En fonction de ses réponses, une fonction de décision est mise à jour itérativement. Nous modélisons la probabilité que les échantillons soient pertinents, en minimisant une fonction objectif capturant la représentativité, la diversité et l’ambiguïté des données. Les données avec une probabilité élevée sont ensuite sélectionnées pour annotation. Nous avons fait évoluer cette approche, en utilisant l’apprentissage par renforcement pour pondérer dynamiquement et précisément l’importance de la représentativité, l’ambiguïté et la diversité des données à chaque cycle d’apprentissage actif. Finalement, notre dernière approche consiste en un modèle d’affichage qui sélectionne des exemples virtuels les plus représentatifs et divers, qui remettent en question le modèle appris, de sorte à obtenir un modèle très discriminatoire dans les itérations suivantes de l’apprentissage actif. Les bons résultats obtenus face aux différentes baselines et l’état de l’art, en détection de changements dans des images satellites et en classification d’images, ont permis de démontrer la pertinence des modèles d'apprentissage frugal proposés, et ont donné lieu à diverses publications (Sahbi et al. 2021 ; Deschamps et Sahbi 2022b ; Deschamps et Sahbi 2022a ; Sahbi et Deschamps 2022)
Automatic image analysis has improved the exploitation of image sensors, with data coming from different sensors such as phone cameras, surveillance cameras, satellite imagers or even drones. Deep learning achieves excellent results in image analysis applications where large amounts of annotated data are available, but learning a new image classifier from scratch is a difficult task. Most image classification methods are supervised, requiring annotations, which is a significant investment. Different frugal learning solutions (with few annotated examples) exist, including transfer learning, active learning, semi-supervised learning or meta-learning. The goal of this thesis is to study these frugal learning solutions for visual recognition tasks, namely image classification and change detection in satellite images. The classifier is trained iteratively by starting with only a few annotated samples, and asking the user to annotate as little data as possible to obtain satisfactory performance. Deep active learning was initially studied with other methods and suited our operational problem the most, so we chose this solution. In this thesis, we have developed an interactive approach, where we ask the most informative questions about the relevance of the data to an oracle (annotator). Based on its answers, a decision function is iteratively updated. We model the probability that the samples are relevant, by minimizing an objective function capturing the representativeness, diversity and ambiguity of the data. Data with high probability are then selected for annotation. We have improved this approach, using reinforcement learning to dynamically and accurately weight the importance of representativeness, diversity and ambiguity of the data in each active learning cycle. Finally, our last approach consists of a display model that selects the most representative and diverse virtual examples, which adversely challenge the learned model, in order to obtain a highly discriminative model in subsequent iterations of active learning. The good results obtained against the different baselines and the state of the art in the tasks of satellite image change detection and image classification have demonstrated the relevance of the proposed frugal learning models, and have led to various publications (Sahbi et al. 2021; Deschamps and Sahbi 2022b; Deschamps and Sahbi 2022a; Sahbi and Deschamps2022)

Cette thèse traite de techniques promouvant la parcimonie pour déterminer des estimateurs performants n’utilisant les mesures que d’un très faible nombre de capteurs. La position de ces capteurs est cruciale pour de bonnes performances et doit être déterminée avec soin. Les méthodes proposées dans ce travail reposent sur l’utilisation d’une base d’apprentissage du champ d’intérêt considéré et ne nécessitent pas de modèle dynamique du système physique. Les éléments de cette base d’apprentissage sont obtenus à l’aide de mesures effectuées sur le système réel ou par simulation numérique. Se basant uniquement sur ces éléments d’apprentissage, et non sur des modèles dynamiques, les approches proposées sont générales et applicables à des systèmes issus de domaines variés.Les approches proposées sont illustrées sur le cas d’un écoulement fluide 2-D autour d’un obstacle cylindrique. Le champ de pression dans un voisinage du cylindre doit être estimé à partir de quelques mesures de pression effectuées en paroi. En utilisant des positions préalablement fixées des capteurs, des estimateurs adaptés à ces positions sont proposés. Ces estimateurs tirent pleinement parti du très faible nombre de mesures en manipulant des représentations creuses et en exploitant la notion de classes. Des situations où les mesures ne portent pas sur le champ d’intérêt à estimer peuvent également être traitées. Un algorithme de placement de capteurs est proposé et permet une amélioration significative des performances des estimateurs par rapport à des capteurs placés a priori.Plusieurs extensions sont discutées : utilisation de mesures passées, utilisation de commandes passées, estimation du champ d’une quantité d’intérêt reliée de façon non linéaire aux mesures, estimation d’un champ à valeurs vectorielles, etc
This thesis deals with sparsity promoting techniques in order to produce efficient estimators relying only on a small amount of measurements given by sensors. These sensor locations are crucial to the estimators and have to be chosen meticulously. The proposed methods do not require dynamical models and are instead based on a collection of snapshots of the field of interest. This learning sequence can be acquired through measurements on the real system or through numerical simulation. By relying only on a learning sequence, and not on dynamical models, the proposed methods become general and applicable to a variety of systems.These techniques are illustrated on the 2-D fluid flow around a cylindrical body. The pressure field in the neighbourhood of the cylinder has to be estimated from a limited amount of surface pressure measurements. For a given arrangement of the sensors, efficient estimators suited to these locations are proposed. These estimators fully harness the information given by the limited amount of sensors by manipulating sparse representations and classes. Cases where the measurements are no longer made on the field to be estimated can also be considered. A sensor placement algorithm is proposed in order to improve the performances of the estimators.Multiple extensions are discussed : incorporating past measurements, past control inputs, recovering a field non-linearly related to the measurements, estimating a vectorial field, etc

Ces dernières années, la reconnaissance d’action humaine (HAR) a attiré l’attention de la recherche grâce à ses diverses applications telles que les systèmes de surveillance intelligents, l’indexation vidéo, l’analyse des activités humaines, les interactions homme-machine, et ainsi de suite. Les problèmes typiques que les chercheurs envisagent sont la complexité des mouvements humains, les variations spatio-temporelles, l'encombrement, l'occlusion et le changement des conditions d'éclairage. Cette thèse porte sur la reconnaissance automatique des actions humaines en cours dans une vidéo. Nous abordons ce problème de recherche en utilisant à la fois des approches d'apprentissage traditionnel peu profond et d'apprentissage profond.Premièrement, nous avons commencé les travaux de recherche avec des méthodes d’apprentissage traditionnelles peu profondes, fondées sur des caractéristiques créées manuellement, en introduisant un nouveau fonctionnalité appelée descripteur MOMP (Motion of Oriented Magnitudes Patterns). Nous avons ensuite intégré ce descripteur discriminant aux techniques de représentation simples mais puissantes telles que le sac de mots visuels, le vecteur de descripteurs agrégés localement (VLAD) et le vecteur de Fisher pour mieux représenter les actions. En suite l'PCA (Principal Component Analysis) et la sélection des caractéristiques (la dépendance statistique, l'information mutuelle) sont appliquées pour rechercher le meilleur sous-ensemble des caractéristiques afin d'améliorer les performances et de réduire les coûts de calcul. La méthode proposée a permis d'obtenir les résultats d'état de l'art sur plusieurs bases de données communes.Les approches d'apprentissage profond récentes nécessitent des calculs intensifs et une utilisation importante de la mémoire. Ils sont donc difficiles à utiliser et à déployer sur des systèmes aux ressources limitées. Dans la deuxième partie de cette thèse, nous présentons un nouvel algorithme efficace pour compresser les modèles de réseau de neurones convolutionnels afin de réduire à la fois le coût de calcul et l’empreinte mémoire au moment de l’exécution. Nous mesurons la redondance des paramètres en fonction de leurs relations à l'aide des critères basés sur la théorie de l'information, puis nous éliminons les moins importants. La méthode proposée réduit considérablement la taille des modèles de différents réseaux tels qu'AlexNet, ResNet jusqu'à 70% sans perte de performance pour la tâche de classification des images à grande échelle.L'approche traditionnelle avec le descripteur proposé a permis d'obtenir d'excellentes performances pour la reconnaissance de l'action humaine mais seulement sur de petits bases de données. Afin d'améliorer les performances de la reconnaissance sur les bases de données de grande échelle, dans la dernière partie de cette thèse, nous exploitons des techniques d'apprentissage profond pour classifier les actions. Nous introduisons les concepts de l'image MOMP en tant que couche d'entrée de CNN et incorporons l'image MOMP dans des réseaux de neurones profonds. Nous appliquons ensuite notre algorithme de compression réseau pour accélérer et améliorer les performances du système. La méthode proposée réduit la taille du modèle, diminue le sur-apprentissage et augmente ainsi la performance globale de CNN sur les bases de données d'action à grande échelle.Tout au long de la thèse, nous avons montré que nos algorithmes obtenaient de bonnes performances sur bases de données d'action complexes (Weizmann, KTH, UCF Sports, UCF-101 et HMDB51) avec des ressources limitées
In recent years, human action recognition (HAR) has attracted the research attention thanks to its various applications such as intelligent surveillance systems, video indexing, human activities analysis, human-computer interactions and so on. The typical issues that the researchers are envisaging can be listed as the complexity of human motions, the spatial and temporal variations, cluttering, occlusion and change of lighting condition. This thesis focuses on automatic recognizing of the ongoing human actions in a given video. We address this research problem by using both shallow learning and deep learning approaches.First, we began the research work with traditional shallow learning approaches based on hand-scrafted features by introducing a novel feature named Motion of Oriented Magnitudes Patterns (MOMP) descriptor. We then incorporated this discriminative descriptor into simple yet powerful representation techniques such as Bag of Visual Words, Vector of locally aggregated descriptors (VLAD) and Fisher Vector to better represent actions. Also, PCA (Principal Component Analysis) and feature selection (statistical dependency, mutual information) are applied to find out the best subset of features in order to improve the performance and decrease the computational expense. The proposed method obtained the state-of-the-art results on several common benchmarks.Recent deep learning approaches require an intensive computations and large memory usage. They are therefore difficult to be used and deployed on the systems with limited resources. In the second part of this thesis, we present a novel efficient algorithm to compress Convolutional Neural Network models in order to decrease both the computational cost and the run-time memory footprint. We measure the redundancy of parameters based on their relationship using the information theory based criteria, and we then prune the less important ones. The proposed method significantly reduces the model sizes of different networks such as AlexNet, ResNet up to 70% without performance loss on the large-scale image classification task.Traditional approach with the proposed descriptor achieved the great performance for human action recognition but only on small datasets. In order to improve the performance on the large-scale datasets, in the last part of this thesis, we therefore exploit deep learning techniques to classify actions. We introduce the concepts of MOMP Image as an input layer of CNNs as well as incorporate MOMP image into deep neural networks. We then apply our network compression algorithm to accelerate and improve the performance of system. The proposed method reduces the model size, decreases the over-fitting, and thus increases the overall performance of CNN on the large-scale action datasets.Throughout the thesis, we have showed that our algorithms obtain good performance in comparison to the state-of-the-art on challenging action datasets (Weizmann, KTH, UCF Sports, UCF-101 and HMDB51) with low resource required

Dans ce mémoire, nous nous sommes intéressés à l’apprentissage de fonctions d’ordonnancement avec peu d’exemples étiquetés. Nous avons abordé cette problématique sous deux angles différents. D’une part, nous avons cherché à améliorer les performances en apprentissage supervisé en exploitant l’information contenue dans un grand nombre de données non-étiquetées. Ce cadre est connu sous le nom d’apprentissage semi-supervisé. D’autre part, nous avons considéré l’apprentissage actif, dont le but est d’inclure itérativement les exemples les plus informatifs dans la base d’apprentissage. Dans une première partie de ce mémoire, nous présentons nos modèles développés en apprentissage semi-supervisé et actif pour l’ordonnancement biparti. Nous nous sommes intéressés à des modèles de faible complexité. Dans une deuxième partie, nous validons nos modèles sur les tâches de routage d’information, de résumé automatique de textes et de filtrage collaboratif qui rentrent dans le cadre de notre étude.

En reconnaissance d’écriture manuscrite, les architectures Transformer permettent de faibles taux d’erreur, mais sont difficiles à entraîner avec le peu de données annotées disponibles. Dans ce manuscrit, nous proposons des architectures Transformer légères adaptées aux données limitées. Nous introduisons une architecture rapide basée sur un encodeur Transformer, et traitant jusqu’à 60 pages par seconde. Nous proposons aussi des architectures utilisant un décodeur Transformer pour inclure l’apprentissage de la langue dans la reconnaissance des caractères. Pour entraîner efficacement nos architectures, nous proposons des algorithmes de génération de données synthétiques adaptées au style visuel des documents modernes et anciens. Nous proposons également des stratégies pour l’apprentissage avec peu de données spécifiques, et la réduction des erreurs de prédiction. Nos architectures, combinées à l’utilisation de données synthétiques et de ces stratégies, atteignent des taux d’erreur compétitifs sur des lignes de texte de documents modernes. Sur des documents anciens, elles parviennent à s’entraîner avec des nombres limités de données annotées, et surpassent les approches de l’état de l’art. En particulier, 500 lignes annotées sont suffisantes pour obtenir des taux d’erreur caractères proches de 5%
Transformer architectures deliver low error rates but are challenging to train due to limited annotated data in handwritten text recognition. We propose lightweight Transformer architectures to adapt to the limited amounts of annotated handwritten text available. We introduce a fast Transformer architecture with an encoder, processing up to 60 pages per second. We also present architectures using a Transformer decoder to incorporate language modeling into character recognition. To effectively train our architectures, we offer algorithms for generating synthetic data adapted to the visual style of modern and historical documents. Finally, we propose strategies for learning with limited data and reducing prediction errors. Our architectures, combined with synthetic data and these strategies, achieve competitive error rates on lines of text from modern documents. For historical documents, they train effectively with minimal annotated data, surpassing state-ofthe- art approaches. Remarkably, just 500 annotated lines are sufficient for character error rates close to 5%

La question de l'enseignement de l’oral préoccupe à la fois les enseignants et les apprenants. Dans un contexte d’apprentissage non naturel, les compétences liées aux activités de compréhension et de production orales sont complexes et difficiles à travailler d’une manière efficace. Les habiletés liées aux activités de l’oral, comme par exemple la compréhension, la production, l’interaction et la médiation, exigent de l’apprenant le développement d'aptitudes perceptives auditives, sémantiques, linguistiques, cognitives et phonétiques. Par ailleurs, les processus des activités de l’oral sont intangibles et peu maniables, ce qui rend l’apprentissage encore plus ardu. Qui plus est, l’enseignement institutionnel impose une évaluation, souvent sommative avec un système de notation. À cause de diverses contraintes, dans la plupart des classes de langues étrangères, la performance de l'oral est en général contrôlée par un test, qui très souvent ne permet pas de faire un diagnostic clair informant sur l'état de la progression de l'apprenant. Nous nous interrogeons ici sur les processus de compréhension et de production de l’oral. Nous sommes intéressés à répondre à plusieurs questions : Que se passe-t-il lorsqu’un apprenant essaie de communiquer oralement avec un locuteur natif ? Comment les informations sont-elles organisées pour formuler des énoncés ? Comment organiser des activités pour travailler l’oral et quelles en sont les conditions ? De quelles façons l’oral peut-il être évalué ? Quels sont les critères à privilégier, pour quels oraux et dans quelles situations ? Composé de 14 articles, cet ouvrage est le fruit de plusieurs journées d’étude internationales consacrées à l’enseignement/apprentissage de l’oral, organisées entre 2013 et 2017 par l’équipe de recherches Plidam de l’Inalco à Paris.

L’enseignant de la langue turque parlerait volontiers des facilités d’apprentissage de cette langue ; alphabet phonétique, absence de genre, absence d’article, absence d’accord entre le sujet et le verbe, entre l’adjectif et le nom, régularité remarquable des conjugaisons, proximité phonétique avec le français, ainsi que des milliers de mots empruntés au français au 19e et 20e siècles. Cela étant dit, tout apprentissage a ses servitudes, celui du turc n’y échappe pas. C’est une langue agglutinante, donc loin des langues flexionnelles, quelque peu déconcertant pour un apprenant francophone, du moins au début de son apprentissage. L’étonnement continue pour ce qui est de l’ordre syntaxique dont l’ordre inversé contrarie les débutants, sans oublier la nécessaire appropriation de l’harmonie vocalique, l’une des particularités du turc. La sonorité turque demande ainsi une attention soutenue : bien qu’il y ait peu de sons sans équivalence en français, on doit néanmoins enseigner aux apprenants comment produire les quelques sons particuliers qu’ils n’ont jamais prononcés. Nous allons d’abord évoquer l’état de la question des erreurs des apprenants dans la littérature pédagogique. Ensuite, à partir de notre propre expérience, nous tenterons de faire un inventaire des problèmes les plus fréquents rencontrés dans l’apprentissage de la grammaire turque, notamment par les francophones, puis nous en analyserons les causes et les conséquences de ces problèmes et enfin, nous proposerons des solutions pédagogiques pour les surmonter.

Malgré l’intérêt soutenu des chercheurs et praticiens du monde entier pour la notion d'innovation sociale, peu d’analyses ont été menées sur la mise en œuvre de l’innovation sociale dans les zones rurales. De plus, l’activité des institutions publiques dans la mise en œuvre de l’innovation sociale est rarement abordée. Cet article examine la mise en œuvre d’innovations sociales locales par les institutions publiques des communes rurales polonaises. L’objectif de l’analyse est d’identifier les caractéristiques distinguant les institutions publiques ayant de l’expérience dans la mise en œuvre d’innovations sociales locales de celles qui n’en ont pas. Parmi les caractéristiques analysées, on trouve : 1. la coopération avec des organisations locales non gouvernementales, 2. la coopération et l’échange d’informations avec des organisations non gouvernementales en dehors de la région de la commune rurale, 3. l’implication des habitants de la commune dans des actions visant à résoudre leurs problèmes sociaux. Les résultats des recherches quantitatives menées sur un échantillon aléatoire de communes rurales polonaises seront présentés. 330 institutions publiques clés pour résoudre les problèmes sociaux locaux ont participé à l’étude. Les innovations sociales locales sont définies comme des pratiques alternatives à l’échelle de la commune rurale pour résoudre les problèmes sociaux touchant ses habitants. Les résultats obtenus sont approfondis en discutant d’exemples d’innovations sociales mises en œuvre.

L’espace linguistique Camerounais est riche et diversifié.On y dénombre plus de 290 dialectes; avec la coopération internationale, s’ajoutent des langues dites étrangères à savoir : l’allemand, le chinois, l’espagnole, l’arabe, l’anglais et le français. La plupart de ces dialectes sont restés inexplorés, c’est à dire peu connus. Ces langues appellées dialectes ne béneficient pas encore du traitement computationnel, ce qui entrave leur apprentissage, leur developpement et leurs richesses culturelles tant il est vrai que la langue est le véhicule de la culture et de la vision du monde d’un peuple. La non exploration de ces véhicules de culture ne constituent elle pas un obstacle au développement de notre pays? Nous répondrons à cette question après avoir fait l’état des lieux.

L’évaluation est une activité pédagogique essentielle au cours de laquelle l’enseignant mesure les apprentissages. En situation de classe, elle peut être diagnostique, formative ou sommative. Elle devient certificative lors des examens à grand tirage. Il en est ainsi du baccalauréat (BAC), examen où les candidats affrontent plusieurs épreuves dont celle de français. Dans cette discipline, en Côte d’Ivoire, ils doivent faire un choix entre le résumé de texte argumentatif, le commentaire composé et la dissertation littéraire. Une étude antérieure a montré que la grande majorité des candidats fait le choix de la dissertation littéraire lors de l’épreuve écrite de français aux différentes sessions du BAC. Mais le plus grand nombre des candidats qui échouent dans cette épreuve est, paradoxalement, celui de ceux qui ont fait un tel choix (Béré, 2020 : 332). Aussi, au-delà des difficultés qui peuvent être liées au transfert de compétences dans l’interaction enseignement-apprentissage, notre étude s’est-elle surtout focalisée sur l’appréciation des copies de dissertation littéraire lors des corrections au BAC. Est-elle objective ou subjective ? Il ressort de nos investigations que l’effet de halo prend tout son sens au cours d’une telle évaluation. En effet, les copies des candidats de séries scientifiques (C et D) sont corrigées dans une tendance à une plus grande tolérance. C’est le contraire avec les copies des candidats de séries littéraires (A1 et A2). En plus, la pratique de la simple correction, en lieu et place de la double correction lors de l’évaluation des copies au BAC, est de nature à réduire davantage le taux déjà très peu élevé de réussite dans l’épreuve écrite de français.

Sur les deux milliards de personnes au monde qui vivent sans accès à, au moins, un assainissement de base, sept sur dix vivent en milieu rural. Des progrès ont été faits pour accroître l’assainissement rural et les niveaux d’accès augmentent, toutefois, il reste difficile d’atteindre le « dernier kilomètre » soit les 10 à 20 pour cent de la population qui vivent dans les contextes les plus rudes. Les facteurs qui affectent la capacité des ménages à construire et utiliser des toilettes, ainsi que les difficultés auxquelles sont confrontés les programmes d’assainissement pour atteindre des groupes spécifiques sont extrêmement variés. Il est prouvé que l’adoption d’approches universelles ne donne pas de bons résultats ; par conséquent, il nous faut des approches plus nuancées, adaptées et ciblées pour refléter l’universalité des Objectifs de développement durable (ODD) et faire en sorte que personne ne soit laissé de côté. Toutefois, nous reconnaissons que les difficultés peuvent être persistantes et qu’il n’existe que peu d’exemples documentés sur la manière de les surmonter de manière systématique. La Sanitation Learning Hub, l’UNICEF et WaterAid ont commandité cette étude pour cartographier les approches d’assainissement rural dans des contextes difficiles et les conseils actuellement prodigués, et pour recenser les expériences et enseignements qui s’en dégagent. Elle a englobé des entretiens avec 44 informateurs clés (EIC) et la consultation de plus de 180 ressources documentaires. Cette Note d’apprentissage donne une vue d’ensemble des conclusions de l’étude.