Gotowa bibliografia na temat „Apprentissage de représentations sur graphes”

L’article construit une articulation des notions d’écosystème de représentations, d’apprentissage et de conception. Le modèle descriptif proposé permet d’interroger l’impact d’une altération de l’écosystème de représentations sur l’apprentissage de la conception en studio de projet. Deux écosystèmes utilisant des techniques de Réalité Virtuelle pour favoriser l’immersion dans le projet sont analysés. Les implications sur les processus d’apprentissage de la conception sont décrites par rapport au modèle descriptif proposé.

Deux types de représentations doivent être révisés : celui des enfants de migrants mauvais en français, incapables de s’exprimer, et celui de leur famille comme élément négatif dans leur histoire scolaire. Une pédagogie centrée sur l’apprentissage de la langue écrite peut se montrer extrêmement efficace, à condition que la langue ne soit pas «que» discipline d’enseignement, c’est-à-dire à elle seule sa propre finalité, mais qu’elle soit utilisée dans ses fonctions cognitives, de construction des savoirs.

L’apprentissage mobile se déroule à travers des interactions sociales et des contenus par l’usage de dispositifs électroniques et personnels (CROMPTON, 2013). Pour l’UNESCO (2012), il représente une des solutions pour contribuer à une formation des enseignants capable de répondre aux besoins éducatifs du XXIe siècle. Dans le contexte québécois, la formation initiale des enseignants met en évidence l’importance de l’usage des TICs de façon à soutenir leur apprentissage. À partir de la théorie des représentations sociales, cette recherche vise à connaitre les représentations des futurs enseignants québécois sur le rôle de l’apprentissage mobile pour comprendre comment cet apprentissage peut soutenir leurs études. Une méthodologie qualitative a été employée, dont 18 entrevues avec étudiants de baccalauréat en enseignement. Les résultats montrent que l’apprentissage mobile est déjà une réalité dans la vie de ces étudiantes, dont la fonction est de servir à compléter les enseignements reçus dans les cours à l’université.

Comment les primo-étudiants plurilingues appréhendent-ils la transition littéracique vers l’université, autrement dit, le processus d’affiliation académique sous l’angle de la lecture et de l’écriture ? Pour répondre à cette question, nous avons mené une enquête auprès d’étudiants de première année de bachelier en Traduction-Interprétation à l’Université de Mons. Nous les avons interrogés sur plusieurs dimensions : leurs pratiques lecturales et scripturales (pratiques familiales, amicales, scolaires, académiques), leur rapport à la lecture-écriture, leurs représentations de l’écrit et de son enseignement-apprentissage. Des questions plus ciblées portaient sur l’incidence éventuelle du plurilinguisme sur leur rapport à l’écrit.

Cette contribution retrace d’abord les étapes de la constitution de la didactique de la langue maternelle, en ré-évoquant les demandes sociales auxquelles cette discipline a dû répondre, et en mettant en évidence aussi bien les orientations communes que les différences d’approches et de types de recherches, liées aux ancrages disciplinaires. Elle analyse ensuite les travaux accomplis ce dernier quart de siècle dans le domaine de l’expression écrite, en tenant compte de ces différences: d’une part les recherches pour la didactique de l’écrit, portant sur le statut et les représentations de cette activité, sur les classements et modèles de genres de textes, et sur les processus impliqués dans leur apprentissage; d’autre part les recherches en didactique de l’écrit, se concrétisant soit en une didactique des genres de textes, soit en une didactique de l’activité d’écriture, et se prolongeant en recherches sur l’analyse des pratiques effectives de l’enseignement-apprentissage. Elle évoque enfin trois nécessités d’avenir: poursuivre l’intégration des différents courants de la discipline; redéfinir et réorganiser les objectifs d’apprentissage des élèves; réformer les dispositifs de formation des enseignants.

Résumé La recherche présentée dans cet article repose sur l'hypothèse qu'une meilleure connaissance des représentations qu'ont a priori les étudiants novices de ce que devront être leurs manières d'apprendre permettrait de réduire l'hiatus entre le secondaire et l'université. Un questionnaire intégré à un module de propédeutique a été administré à des étudiants novices de niveau universitaire. Les résultats indiquent que certains étudiants envisagent l'apprentissage comme une occasion de formation personnelle et que d'autres le considèrent plutôt comme un moyen d'insertion sociale dont l'obtention d'un diplôme universitaire leur paraît la clé. L'article décrit aussi les approches d'apprentissage que les étudiants comptent mettre en oeuvre et les stratégies qu'ils pensent déployer en première année universitaire.

Le programme Observation des pratiques enseignantes dans leur rapport avec les apprentissages des élèves (OPERA) a été mis en oeuvre au Burkina Faso de 2013 à 2015. Des analyses de pratiques enseignantes ont été faites sur la base d’observations de 90 enseignantes et enseignants de deuxième et sixième année du primaire lors d’une première phase et de 41 d’entre eux lors d’une seconde phase. L’analyse des données recueillies auprès des 41 enseignants observés au cours des deux phases ont permis d’établir deux types de profils : 1) des profils de représentations – « enseignement » ou « apprentissage » – du processus enseignement-apprentissage; 2) des profils de pratiques effectives révélant un profil relationnel positif, trois profils pédagogiques et trois profils didactiques. Après les avoir présentés, cet article propose une discussion sur ces profils en les mettant en lien avec les programmes de formation des enseignantes et enseignants. On constate qu’il n’existe pas de profil de pratiques pur ou définitif, le contexte amenant les enseignants à s’adapter. Néanmoins, le domaine didactique apparaît souvent moins investi que les deux autres par les enseignants, ce qui semble en phase avec l’orientation de leur formation, soit la pédagogie par objectifs.

Cet article étudie les processus grâce auxquels un élève interprète un document cartographique. En classe de géographie, un élève construit ses représentations d'un monde conçu comme une étendue terrestre socialement appropriée. L'interprétation des cartes n'est pas une activité innée ou automatique. Les concepts de représentation, de système d'expression cartographique et de type iconique permettent de mieux comprendre et de rendre compte des processus cognitifs et des relations sémiotiques mis en oeuvre. Une carte articule un mode d'expression graphique fondé sur les analogies induites par une sémiotique planaire et un mode d'expression verbal fondé sur une lecture séquentielle de symboles. L'identification de formes cartographiques dépend d'un apprentissage méthodologique et d'une culture géographique. Elle n'épuise pas toutes les interrogations de la géographie, mais s'avère particulièrement adaptée aux problématiques de l'analyse spatiale.

De nos jours, les contenus vidéos sont omniprésents grâce à Internet et les smartphones, ainsi que les médias sociaux. De nombreuses applications de la vie quotidienne, telles que la vidéo surveillance et la description de contenus vidéos, ainsi que la compréhension de scènes visuelles, nécessitent des technologies sophistiquées pour traiter les données vidéos. Il devient nécessaire de développer des moyens automatiques pour analyser et interpréter la grande quantité de données vidéo disponibles. Dans cette thèse, nous nous intéressons à la reconnaissance d'actions dans les vidéos, c.a.d au problème de l'attribution de catégories d'actions aux séquences vidéos. Cela peut être considéré comme un ingrédient clé pour construire la prochaine génération de systèmes visuels. Nous l'abordons avec des méthodes d'intelligence artificielle, sous le paradigme de l'apprentissage automatique et de l'apprentissage profond, notamment les réseaux de neurones convolutifs. Les réseaux de neurones convolutifs actuels sont de plus en plus profonds, plus gourmands en données et leur succès est donc tributaire de l'abondance de données d'entraînement étiquetées. Les réseaux de neurones convolutifs s'appuient également sur le pooling qui réduit la dimensionnalité des couches de sortie (et donc atténue leur sensibilité à la disponibilité de données étiquetées)
Nowadays, video contents are ubiquitous through the popular use of internet and smartphones, as well as social media. Many daily life applications such as video surveillance and video captioning, as well as scene understanding require sophisticated technologies to process video data. It becomes of crucial importance to develop automatic means to analyze and to interpret the large amount of available video data. In this thesis, we are interested in video action recognition, i.e. the problem of assigning action categories to sequences of videos. This can be seen as a key ingredient to build the next generation of vision systems. It is tackled with AI frameworks, mainly with ML and Deep ConvNets. Current ConvNets are increasingly deeper, data-hungrier and this makes their success tributary of the abundance of labeled training data. ConvNets also rely on (max or average) pooling which reduces dimensionality of output layers (and hence attenuates their sensitivity to the availability of labeled data); however, this process may dilute the information of upstream convolutional layers and thereby affect the discrimination power of the trained video representations, especially when the learned action categories are fine-grained

Notre travail est une contribution à la résolution de problèmes de classification supervisée dans le domaine de l'informatique chimique, les problèmes SAR. Ces problèmes, destinés à construire des modèles reliant les structures chimiques avec une activité physico-chimique ou biologique, portent sur des objets, les molécules, modélisés par des graphes. Dans ce cadre, nous étudions le plus grand sous-graphe commun à deux graphes comme moyen de description des molécules. Nous commençons par présenter un algorithme permettant de déterminer un plus grand sous-graphe commun à deux graphes, les sous-graphes considérés étant les sous-graphes induits et connexes. Cet algorithme est performant et souple : il s'adapte directement à d'autres notions de plus grand sous-graphe commun. Nous évaluons ensuite l'intérêt du plus grand sous-graphe commun pour un problème SAR particulier : la prédiction de la biodégradabilité facile. Dans ce contexte, nous montrons que les similarités établies uniquement en quantifiant l'importance du plus grand sous-graphe commun regroupent effectivement des molécules d'activité similaire. De plus, en fonctionnant directement à partir des objets étudiés, le plus grand sous-graphe commun permet une première exploration des données d'un nouveau problème SAR. Ces travaux expérimentaux permettent de conclure sur l'intérêt effectif du plus grand sous-graphe commun dans la construction des modèles SAR.

L'objectif principal de l'Apprentissage de Représentations sur Graphes est de plonger les nœuds dans un espace vectoriel de petite dimension. Dans cette thèse, nous abordons plusieurs enjeux dans le domaine. Tout d'abord, nous étudions comment exploiter l'existence de communautés structurelles locales inhérentes aux graphes tout en apprenant les représentations. Nous apprenons des représentations améliorées de la communauté en combinant les informations latentes avec les représentations. De plus, nous nous concentrons sur l'expressivité des représentations. Nous mettons l'accent sur les distributions de familles exponentielles pour saisir des modèles d'interaction riches. Nous proposons un modèle qui combine les marches aléatoires avec une matrice de factorisation sous forme de noyau. Dans la dernière partie de la thèse, nous étudions des modèles permettant un bon compromis entre efficacité et précision. Nous proposons un modèle évolutif qui calcule des représentations binaires
Graph Representation Learning aims to embed nodes in a low-dimensional space. In this thesis, we tackle various challenging problems arising in the field. Firstly, we study how to leverage the inherent local community structure of graphs while learning node representations. We learn enhanced community-aware representations by combining the latent information with the embeddings. Moreover, we concentrate on the expressive- ness of node representations. We emphasize exponential family distributions to capture rich interaction patterns. We propose a model that combines random walks with kernelized matrix factorization. In the last part of the thesis, we study models balancing the trade-off between efficiency and accuracy. We propose a scalable embedding model which computes binary node representations

Pour l’apprentissage automatisé de données régulières comme des images ou des signaux sonores, les réseaux convolutifs profonds s’imposent comme le modèle de deep learning le plus performant. En revanche, lorsque les jeux de données sont irréguliers (par example : réseaux de capteurs, de citations, IRMs), ces réseaux ne peuvent pas être utilisés. Dans cette thèse, nous développons une théorie algébrique permettant de définir des convolutions sur des domaines irréguliers, à l’aide d’actions de groupe (ou, plus généralement, de groupoïde) agissant sur les sommets d’un graphe, et possédant des propriétés liées aux arrêtes. A l’aide de ces convolutions, nous proposons des extensions des réseaux convolutifs à des structures de graphes. Nos recherches nous conduisent à proposer une formulation générique de la propagation entre deux couches de neurones que nous appelons la contraction neurale. De cette formule, nous dérivons plusieurs nouveaux modèles de réseaux de neurones, applicables sur des domaines irréguliers, et qui font preuve de résultats au même niveau que l’état de l’art voire meilleurs pour certains
Convolutional neural networks have proven to be the deep learning model that performs best on regularly structured datasets like images or sounds. However, they cannot be applied on datasets with an irregular structure (e.g. sensor networks, citation networks, MRIs). In this thesis, we develop an algebraic theory of convolutions on irregular domains. We construct a family of convolutions that are based on group actions (or, more generally, groupoid actions) that acts on the vertex domain and that have properties that depend on the edges. With the help of these convolutions, we propose extensions of convolutional neural netowrks to graph domains. Our researches lead us to propose a generic formulation of the propagation between layers, that we call the neural contraction. From this formulation, we derive many novel neural network models that can be applied on irregular domains. Through benchmarks and experiments, we show that they attain state-of-the-art performances, and beat them in some cases

Il est souvent important de trouver une représentation compacte des propriétés morphologiques d'un ensemble d'objets. C'est le cas lors du déplacement de robots autonomes dans des environnements naturels, qui doivent utiliser les objets dispersés dans la région de travail pour naviguer. Cette thèse est une contribution à la définition de formalismes et méthodes pour l'identification de tels modèles. Les formes que nous voulons caractériser sont des courbes fermées correspondant aux contours des objets détectés dans l'environnement, et notre caractérisation des leurs propriétés sera probabiliste. Nous formalisons la notion de forme en tant que classes d'équivalence par rapport à des groupes d'opérateurs géométriques basiques, introduisant deux approches : discrète et continue. La théorie discrète repose sur l'existence d'un ensemble de points remarquables et est sensible à leur sélection. L'approche continue, qui représente une forme par des objets de dimension infinie, correspond mieux à la notion intuitive de forme mais n'est pas parcimonieuse. Nous combinons les avantages des deux approches en représentant les formes à l'aide de splines : fonctions continues, flexibles, définies par un ensemble de noeuds et de points de contrôle. Nous étudions d'abord l'ajustement d'un modèle spline à une courbe, comme la recherche d'un compromis entre la parcimonie de la représentation et sa fidélité aux données, approche classique dans le cadre de familles imbriquées de dimension croissante. Nous passons en revue les méthodes utilisées dans la littérature, et nous retenons une approche en deux étapes, qui satisfait nos pré-requis : détermination de la complexité du modèle (par une chaîne de Markov à sauts réversibles), suivie de l'estimation des paramètres (par un algorithme de recuit simulé). Nous discutons finalement le lien entre l'espace de formes discrètes et les représentations splines lorsque l'on prend comme points remarquables les points de contrôle. Nous étudions ensuite le problème de modélisation d'un ensemble de courbes, comme l'identification de la distribution des paramètres de leur représentation par des splines où les points de contrôles et les noeuds sont des variables latentes du modèle. Nous estimons ces paramètres par un critère de vraisemblance marginale. Afin de pouvoir traiter séquentiellement un grand nombre de données nous adaptons une variante de l'algorithme EM proposée récemment. Le besoin de recourir à des approximations numériques (méthodes de Monte-Carlo) pour certains calculs requis par la méthode EM, nous conduit à une nouvelle variante de cet algorithme, proposée ici pour la première fois.

Il est souvent important de trouver une représentation compacte des propriétés morphologiques d'un ensemble d'objets. C'est le cas lors du déplacement de robots autonomes dans des environnements naturels, qui doivent utiliser les objets dispersés dans la région de travail pour naviguer. Cette thèse est une contribution à la définition de formalismes et méthodes pour l'identification de tels modèles. Les formes que nous voulons caractériser sont des courbes fermées correspondant aux contours des objets détectés dans l'environnement, et notre caractérisation des leurs propriétés sera probabiliste. Nous formalisons la notion de forme en tant que classes d'équivalence par rapport à des groupes d'opérateurs géométriques basiques, introduisant deux approches : discrète et continue. La théorie discrète repose sur l'existence d'un ensemble de points remarquables et est sensible à leur sélection. L'approche continue, qui représente une forme par des objets de dimension infinie, correspond mieux à la notion intuitive de forme mais n'est pas parcimonieuse. Nous combinons les avantages des deux approches en représentant les formes à l'aide de splines : fonctions continues, flexibles, définies par un ensemble de noeuds et de points de contrôle. Nous étudions d'abord l'ajustement d'un modèle spline à une courbe, comme la recherche d'un compromis entre la parcimonie de la représentation et sa _délité aux données, approche classique dans le cadre de familles imbriquées de dimension croissante. Nous passons en revue les méthodes utilisées dans la littérature, et nous retenons une approche en deux étapes, qui satisfait nos pré-requis : détermination de la complexité du modèle (par une chaîne de Markov à sauts réversibles), suivie de l'estimation des paramètres (par un algorithme de recuit simulé). Nous discutons finalement le lien entre l'espace de formes discrètes et les représentations splines lorsque l'on prend comme points remarquables les points de contrôle. Nous étudions ensuite le problème de modélisation d'un ensemble de courbes, comme l'identification de la distribution des paramètres de leur représentation par des splines où les points de contrôles et les noeuds sont des variables latentes du modèle. Nous estimons ces paramètres par un critère de vraisemblance marginale. Afin de pouvoir traiter séquentiellement un grand nombre de données nous adaptons une variante de l'algorithme EM proposée récemment. Le besoin de recourir à des approximations numériques (méthodes de Monte-Carlo) pour certains calculs requis par la méthode EM, nous conduit à une nouvelle variante de cet algorithme, proposée ici pour la première fois
In many contexts it is important to be able to find compact representations of the collective morphological properties of a set of objects. This is the case of autonomous robotic platforms operating in natural environments that must use the perceptual properties of the objects present in their workspace to execute their mission. This thesis is a contribution to the definition of formalisms and methods for automatic identification of such models. The shapes we want to characterize are closed curves corresponding to contours of objects detected in the scene. We begin with the formal definition of the notion of shape as classes of equivalence with respect to groups of basic geometric operators, introducing two distinct approaches that have been used in the literature: discrete and continuous. The discrete theory, admitting the existence of a finite number of recognizable landmarks, provides in an obvious manner a compact representation but is sensible to their selection. The continuous theory of shapes provides a more fundamental approach, but leads to shape spaces of infinite dimension, lacking the parsimony of the discrete representation. We thus combine in our work the advantages of both approaches representing shapes of curves with splines: piece-wise continuous polynomials defined by sets of knots and control points. We first study the problem of fitting free-knots splines of varying complexity to a single observed curve. The trade-o_ between the parsimony of the representation and its fidelity to the observations is a well known characteristic of model identification using nested families of increasing dimension. After presenting an overview of methods previously proposed in the literature, we single out a two-step approach which is formally sound and matches our specific requirements. It splits the identification, simulating a reversible jump Markov chain to select the complexity of the model followed by a simulated annealing algorithm to estimate its parameters. We investigate the link between Kendall's shape space and spline representations when we take the spline control points as landmarks. We consider now the more complex problem of modeling a set of objects with similar morphological characteristics. We equate the problem to finding the statistical distribution of the parameters of the spline representation, modeling the knots and control points as unobserved variables. The identified distribution is the maximizer of a marginal likelihood criterion, and we propose a new Expectation-Maximization algorithm to optimize it. Because we may want to treat a large number of curves observed sequentially, we adapt an iterative (on-line) version of the EM algorithm recently proposed in the literature. For the choice of statistical distributions that we consider, both the expectation and the maximization steps must resort to numerical approximations, leading to a stochastic/on-line variant of the EM algorithm that, as far as we know, is implemented here for the first time

Dans ce mémoire, nous proposons une méthodologie qui permet de détecter des anomalies parmi un ensemble de données complexes, plus particulièrement des images. Pour y arriver, nous utilisons un type spécifique de réseau de neurones, soit un autoencodeur variationnel (VAE). Cette approche non-supervisée d'apprentissage profond nous permet d'obtenir une représentation plus simple de nos données sur laquelle nous appliquerons une mesure de distance de Kullback-Leibler nous permettant de discriminer les anomalies des observations "normales". Pour déterminer si une image nous apparaît comme "anormale", notre approche se base sur une proportion d'observations à filtrer, ce qui est plus simple et intuitif à établir qu'un seuil sur la valeur même de la distance. En utilisant notre méthodologie sur des images réelles, nous avons démontré que nous pouvons obtenir des performances de détection d'anomalies supérieures en termes d'aire sous la courbe ROC, de précision et de rappel par rapport à d'autres approches non-supervisées. De plus, nous avons montré que la simplicité de l'approche par niveau de filtration permet d'adapter facilement la méthode à des jeux de données ayant différents niveaux de contamination d'anomalies.
In this master's thesis, we propose a methodology that aims to detect anomalies among complex data, such as images. In order to do that, we use a specific type of neural network called the varitionnal autoencoder (VAE). This non-supervised deep learning approach allows us to obtain a simple representation of our data on which we then use the Kullback-Leibler distance to discriminate between anomalies and "normal" observations. To determine if an image should be considered "abnormal", our approach is based on a proportion of observations to be filtered, which is easier and more intuitive to establish than applying a threshold based on the value of a distance metric. By using our methodology on real complex images, we can obtain superior anomaly detection performances in terms of area under the ROC curve (AUC),precision and recall compared to other non-supervised methods. Moreover, we demonstrate that the simplicity of our filtration level allows us to easily adapt the method to datasets having different levels of anomaly contamination.

Le traitement informatique des objets qui nous entourent, naturels ou créés par l'homme, demande toujours de passer par une phase de traduction en entités traitables par des programmes. Le choix de ces représentations abstraites est toujours crucial pour l'efficacité des traitements et est le terrain d'améliorations constantes. Mais il est un autre aspect émergeant : le lien entre l'objet à représenter et "sa" représentation n'est pas forcément bijectif ! Ainsi la nature ambiguë de certaines structures discrètes pose problème pour la modélisation ainsi que le traitement et l'analyse à l'aide d'un programme informatique. Le langage dit ``naturel'', et sous sa forme en particulier de représentation textuelle, en est un exemple. Le sujet de cette thèse consiste à explorer cette question, que nous étudions à l'aide de méthodes combinatoires et géométriques. Ces méthodes nous permettent de formaliser le problème d'extraction d'information dans des grands réseaux d'entités ainsi que de construire des représentations géométriques utiles pour le traitement du langage naturel. Dans un premier temps, nous commençons par démontrer des propriétés combinatoires des graphes de séquences intervenant de manière implicite dans les modèles séquentiels. Ces propriétés concernent essentiellement le problème inverse de trouver une séquence représentant un graphe donné. Les algorithmes qui en découlent nous permettent d'effectuer une comparaison expérimentale de différents modèles séquentiels utilisés en modélisation du langage. Dans un second temps, nous considérons une application pour le problème d'identification d'entités nommées. A la suite d'une revue de solutions récentes, nous proposons une méthode compétitive basée sur la comparaison de structures de graphes de connaissances et moins coûteuse en annotations d'exemples dédiés au problème. Nous établissons également une analyse expérimentale d'influence d'entités à partir de relations capitalistiques. Cette analyse suggère l'élargissement du cadre d'application de l'identification d'entités à des bases de connaissances de natures différentes. Ces solutions sont aujourd'hui utilisées au sein d'une librairie logicielle dans le secteur bancaire. Ensuite, nous développons une étude géométrique de représentations de mots récemment proposées, au cours de laquelle nous discutons une conjecture géométrique théoriquement et expérimentalement. Cette étude suggère que les analogies du langage sont difficilement transposables en propriétés géométriques, et nous amène a considérer le paradigme de la géométrie des distances afin de construire de nouvelles représentations. Enfin, nous proposons une méthodologie basée sur le paradigme de la géométrie des distances afin de construire de nouvelles représentations de mots ou d'entités. Nous proposons des algorithmes de résolution de ce problème à grande échelle, qui nous permettent de construire des représentations interprétables et compétitives en performance pour des tâches extrinsèques. Plus généralement, nous proposons à travers ce paradigme un nouveau cadre et piste d'explorations pour la construction de représentations en apprentissage machine
The automated treatment of familiar objects, either natural or artifacts, always relies on a translation into entities manageable by computer programs. The choice of these abstract representations is always crucial for the efficiency of the treatments and receives the utmost attention from computer scientists and developers. However, another problem rises: the correspondence between the object to be treated and "its" representation is not necessarily one-to-one! Therefore, the ambiguous nature of certain discrete structures is problematic for their modeling as well as their processing and analysis with a program. Natural language, and in particular its textual representation, is an example. The subject of this thesis is to explore this question, which we approach using combinatorial and geometric methods. These methods allow us to address the problem of extracting information from large networks of entities and to construct representations useful for natural language processing.Firstly, we start by showing combinatorial properties of a family of graphs implicitly involved in sequential models. These properties essentially concern the inverse problem of finding a sequence representing a given graph. The resulting algorithms allow us to carry out an experimental comparison of different sequential models used in language modeling.Secondly, we consider an application for the problem of identifying named entities. Following a review of recent solutions, we propose a competitive method based on the comparison of knowledge graph structures which is less costly in annotating examples dedicated to the problem. We also establish an experimental analysis of the influence of entities from capital relations. This analysis suggests to broaden the framework for applying the identification of entities to knowledge bases of different natures. These solutions are used today in a software library in the banking sector.Then, we perform a geometric study of recently proposed representations of words, during which we discuss a geometric conjecture theoretically and experimentally. This study suggests that language analogies are difficult to transpose into geometric properties, and leads us to consider the paradigm of distance geometry in order to construct new representations.Finally, we propose a methodology based on the paradigm of distance geometry in order to build new representations of words or entities. We propose algorithms for solving this problem on some large scale instances, which allow us to build interpretable and competitive representations in performance for extrinsic tasks. More generally, we propose through this paradigm a new framework and research leadsfor the construction of representations in machine learning

Nous nous intéressons aux mécanismes d'apprentissage symbolique automatique dans le cadre de l'utilisation de langages de description à base de graphes. Notre étude s'articule autour de deux axes: la recherche de régularités dans les descriptions d'exemples, et la re-description de ces exemples à l'aide des régularités extraites. Nous proposons dans un premier temps un modèle basé sur l'utilisation des hypergraphes, qui permet de re-décrire un ensemble de descriptions initiales à partir de régularités précédemment observées sur ces descriptions, sans perte d'information. Nous abordons ensuite le problème de la recherche de régularités. Nous proposons alors un algorithme de recherche de sous-structures, capable d'extraire un certain nombre de sous-graphes partiels à partir d'un unique graphe ou d'un ensemble de graphes initiaux. Cet algorithme est basé sur une méthode de partitionnement et prend en paramètre une méthode de classification numérique. Il est capable d'extraire des sous-graphes partiels au sens général du terme (non limités à des arbres, chemins,) et possède une complexité polynomiale. Nous expérimentons enfin cet algorithme de recherche de sous-structures sur deux problèmes réels.

L'utilisation croissante des réseaux sociaux et de capteurs génère une grande quantité de données qui peuvent être représentées sous forme de graphiques complexes. Il y a de nombreuses tâches allant de l'analyse de l'information à la prédiction et à la récupération que l'on peut imaginer sur ces données où la relation entre les noeuds de graphes devrait être informative. Dans cette thèse, nous avons proposé différents modèles pour trois tâches différentes: - Classification des noeuds graphiques - Prévisions de séries temporelles relationnelles - Filtrage collaboratif. Tous les modèles proposés utilisent le cadre d'apprentissage de la représentation dans sa variante déterministe ou gaussienne. Dans un premier temps, nous avons proposé deux algorithmes pour la tâche de marquage de graphe hétérogène, l'un utilisant des représentations déterministes et l'autre des représentations gaussiennes. Contrairement à d'autres modèles de pointe, notre solution est capable d'apprendre les poids de bord lors de l'apprentissage simultané des représentations et des classificateurs. Deuxièmement, nous avons proposé un algorithme pour la prévision des séries chronologiques relationnelles où les observations sont non seulement corrélées à l'intérieur de chaque série, mais aussi entre les différentes séries. Nous utilisons des représentations gaussiennes dans cette contribution. C'était l'occasion de voir de quelle manière l'utilisation de représentations gaussiennes au lieu de représentations déterministes était profitable. Enfin, nous appliquons l'approche d'apprentissage de la représentation gaussienne à la tâche de filtrage collaboratif. Ceci est un travail préliminaire pour voir si les propriétés des représentations gaussiennes trouvées sur les deux tâches précédentes ont également été vérifiées pour le classement. L'objectif de ce travail était de généraliser ensuite l'approche à des données plus relationnelles et pas seulement des graphes bipartis entre les utilisateurs et les items
The increasing use of social and sensor networks generates a large quantity of data that can be represented as complex graphs. There are many tasks from information analysis, to prediction and retrieval one can imagine on those data where relation between graph nodes should be informative. In this thesis, we proposed different models for three different tasks: - Graph node classification - Relational time series forecasting - Collaborative filtering. All the proposed models use the representation learning framework in its deterministic or Gaussian variant. First, we proposed two algorithms for the heterogeneous graph labeling task, one using deterministic representations and the other one Gaussian representations. Contrary to other state of the art models, our solution is able to learn edge weights when learning simultaneously the representations and the classifiers. Second, we proposed an algorithm for relational time series forecasting where the observations are not only correlated inside each series, but also across the different series. We use Gaussian representations in this contribution. This was an opportunity to see in which way using Gaussian representations instead of deterministic ones was profitable. At last, we apply the Gaussian representation learning approach to the collaborative filtering task. This is a preliminary work to see if the properties of Gaussian representations found on the two previous tasks were also verified for the ranking one. The goal of this work was to then generalize the approach to more relational data and not only bipartite graphs between users and items

Parler des émotions à l’école n’est pas anodin. Certains enseignants expriment d’ailleurs se sentir comme « un funambule » lorsqu’ils les abordent en classe. Objet de représentations contradictoires, les émotions sont considérées comme un moteur potentiel aux apprentissages, mais sont parfois perçues comme un frein au raisonnement. Leur émergence dans l’espace de la classe représente un risque d’intrusion dans la sphère intime de l’élève. Ces tensions sont ravivées depuis quelques années par l’introduction en classe de thèmes tels que la diversité culturelle, le rapport à l’altérité et les questions migratoires. Faisant écho aux défis d’une société marquée par la pluralité culturelle et linguistique, ces thèmes associés à une éducation interculturelle deviennent des objets d’enseignement aux enjeux brûlants. L’auteure étudie des pratiques réelles d’enseignement en éducation interculturelle. Elle examine les processus d’apprentissage à l’œuvre lorsque les émotions verbalisées des élèves sont sollicitées dans des activités interculturelles. À partir d’un travail d’analyse fin des interactions sociales, le livre met en lumière les défis de la prise en compte des émotions et de leur secondarisation dans ces pratiques. Il participe à la réflexion sur les conditions d’enseignement des objets interculturels en proposant un travail innovant à partir des émotions verbalisées des élèves, une voie pour aller au-delà des pièges des approches interculturelles et répondre à leurs finalités.

Les métamorphoses du paysage linguistique qui s’observent notamment à l’école suivent l’évolution de la société ; elles s’intensifient en raison du phénomène de mondialisation qui semble accélérer l’intégration de plusieurs langues dans un pays, en le plongeant parfois dans un plurilinguisme controversé. Pour le cas de Madagascar, le contact entre plusieurs langues découle de l’histoire, mais cette pluralité s’avère problématique, des recherches ayant montré l’existence d’un clivage entre les usages et les représentations linguistiques des locuteurs. Pourtant, l’importance des représentations apparaît dans le fait qu’elles influent sur les pratiques et compétences linguistiques. La déficience au niveau socio-économique du pays et les difficultés en matière de gestion des langues se répercutent dans les différentes régions, allant vers l’exclusion scolaire des plus démunis. Ainsi, les inégalités s’accentuent dans le cadre d’une éducation mise en œuvre en contexte plurilingue. Une telle situation induit des réflexions plus approfondies sur la prise en compte des représentations linguistiques dans le curriculum et du rôle de ce dernier dans l’enseignement-apprentissage des langues. Des pré-enquêtes ont été effectuées au sein de l’établissement SÉSAME (Soutien aux Études Supérieures et Accès à un Métier) pour un premier aperçu des contacts de langues et de leurs représentations positives et négatives.

L’enseignement en Côte d’Ivoire a toujours été fait dans la langue française et cela du préscolaire à l’Université. Cette langue s’étant introduite pendant la période coloniale elle intervient dans la quasi-totalité des institutions ivoiriennes, à l’école, et dans les pratiques langagières quotidiennes etc. Or, le français bien qu’ayant le statut de langue officielle, langue d’enseignement suscite des difficultés dans certaines situations telles que la compréhension des énoncés chez les apprenants. Depuis des années, l’appropriation du français en Côte d’Ivoire a donné naissance à des variétés de français telles que le français ivoirien, le nouchi etc. Ces parlers urbains ont fait leur entrée dans les pratiques langagières des Ivoiriens et prennent de plus en plus de l’ampleur. Dans l’enseignement-apprentissage le français ivoirien est souvent utilisé par certains enseignants pour faciliter la compréhension chez les apprenants. Dans cet article, il s’agit de mettre l’accent dans un premier temps sur le regard qu’ont les enseignants et les parents d’élèves sur ces parlers urbains en particulier le français ivoirien. Dans un second temps, recueillir leurs avis sur ce parler comme métalangue pouvant faciliter l’enseignement-apprentissage des matières.

Cette recherche a pour origine une question a priori classique: pourquoi la méthode traditionnelle basée sur l'enseignement de la grammaire continue-t-elle à dominer l'enseignement du FLE dans les universités japonaises alors qu'elle est publiquement critiquée et qu'il existe une forte pression externe pour une approche plus fonctionnelle de l'enseignement-apprentissage des langues? La réponse généralement avancée, le manque de formation pédagogique des enseignants, ne nous paraît pas une explication suffisante, même s'il s'agit d'un facteur déterminant. Au-delà des habitudes d'apprentissage des langues, dont l'influence est aussi capitale, n'existerait-il pas d'autres facteurs socioculturels jouant un rôle important dans cette résistance au changement~? Des entretiens auprès d'enseignants japonais de FLE, couplés à des observations de classe, ont confirmé dans un premier temps l'importance de la formation et des habitudes d'apprentissage, mais ont aussi mis au jour d'autres facteurs liés aux représentations de l'enseignement des langues en général et de la grammaire en particulier.

Que ce soit pour répondre à des injonctions institutionnelles ou pour s’adapter aux nouveaux modes d’enseignement/apprentissage, la formation au numérique devient un incontournable de la formation initiale des enseignants, notamment dans les filières de didactique de langue et du FLE. La crise sanitaire est venue confirmer cette place croissante du numérique dans l’enseignement. Dans une dynamique de recherche-formation, nous avons cherché à mesurer le bénéfice de cette approche fondée sur l’écriture réflexive, dans la définition de la posture enseignante et de l’identité professionnelle. Souvent orienté sur l’aspect technique du « comment », la question du « au nom de quoi et pourquoi » enseigner avec le numérique paraît trop souvent négligée en formation. Or, ce sont aussi à ces questions d’ordre épistémologique portant sur la valeur singulière attribuée au numérique par chaque enseignant qu’une formation en didactique des langues doit, selon nous, participer à répondre dans l’optique d’une articulation entre ingénierie de formation et approche phénoménologique. Menée durant deux années en Master de Linguistique Appliquée à la Didactique du FLE, notre recherche s’est faite avec la collaboration de futurs enseignants, digital naïves en matière d’intégration pédagogique du numérique. L’analyse qualitative des données collectées via le journal de formation, par analyse discursive sur les représentations et les pratiques prospectives met en évidence les bénéfices comme les limites d’une formation réflexive et épistémologique mais donne aussi à voir à travers ses effets transformateurs la manière dont on peut accompagner la construction de l’identité professionnelle pour un usage critique du numérique en éducation.

Cette étude pose le problème des difficultés que rencontrent les étudiants de français, langue en pleine mutation dont le statut s’est vu ces dernières décennies changer, de français langue seconde (FLS), elle est passée au statut de français langue étrangère (FLE) privilégiée. Notre objectif n’est pas de chercher les raisons de cette mutation, mais d’aborder la question de la conscience linguistique du locuteur-apprenant, de l’image qu’il a de lui-même et de l’Autre, à travers la pratique de la langue française. Nous avons essayé de voir comment le dialogue entre les cultures peut être bénéfique pour la compréhension des langues mises en contact, telles que l’arabe dialectal tunisien et le français. A cet effet, nous nous sommes appuyés sur les stratégies de l’approche interculturelle. Nous avons pris le cas de nos propres étudiants de 2 e année de la licence fondamentale, nous les avons amenés à interagir, à communiquer entre eux, afin d’intégrer la dimension culturelle. Grâce aux échanges verbaux, la relation entre les différentes cultures s’est instaurée, sachant que les locuteurs de la langue cible n’ont pas les mêmes origines. Il faut rappeler qu’avant de poursuivre leurs études supérieures, leur apprentissage de la langue de Voltaire ne s’est pas effectué de la même manière. Ainsi, chaque étudiant a évolué dans un milieu différent qui lui a permis de mémoriser et d’acquérir certaines informations qui lui donnent une vision du monde différente de celles de ses camarades. L’approche communicative interculturelle nous était d’un grand apport pour percevoir les différentes « représentations mentales » qui aident à la compréhension des règles grammaticales du français.