La modélisation booleènne de la carte des connaissances du SEMEP 

La visualisation et l’interaction

Selon Lamy (Lamy, 2006), la visualisation de l’information ne peut être traitée sans aborder l’interaction. Cette dernière rend possible l’exploitation réelle des vues d’ensemble une fois produites. En effet, la perception est indissociable de l’action : c’est le couplage « action perception ». Ainsi l’être humain est plus habile à extraire des informations d’une interface s’il peut agir directement et activement sur cette interface que s’il reste passif.
L’interaction sera donc mise en avant dans les diverses approches de visualisation développées plus bas. Ces dernières sont développées par (Keim, 2002) qui distingue les qualificatifs « dynamique » et « interactif » selon que les modifications apportées à la visualisation des données soient effectuées automatiquement ou manuellement (l’utilisateur final pouvant agir directement) :
 Projections dynamiques : il s’agit de changer dynamiquement les projections afin d’explorer un ensemble de données multidimensionnelles.
 Filtrage interactif : il s’agit d’avoir, d’une part, la possibilité de diviser interactivement l’ensemble des données dans des segments et, d’autre part, de se concentrer sur les sous-ensembles intéressants. Ceci peut être fait en choisissant directement le sous-ensemble désiré (browsing) ou en spécifiant des propriétés du sous-ensemble désiré (querying).
 Zoom interactif : il s’agit de partir d’une vue globale des données et de permettre l’affichage des détails selon différentes résolutions.
 Distorsion interactive : il a l’avantage de pouvoir montrer des parties de données avec un niveau élevé de détail tandis que la vue d’ensemble est préservée (les autres parties de données étant visibles avec un niveau moindre de détail). Il existe des techniques de déformation hyperboliques ou sphériques souvent employées sur des hiérarchies ou des graphiques. Ces techniques utilisent une sorte de loupe (fish-eye) déformante que l’on promène à son gré sur l’ensemble des données.
 Liens interactifs et brossage (interactive linking and brushing) pour les données multidimensionnelles : l’idée est de combiner des méthodes différentes de visualisation pour surmonter les imperfections des techniques simples. Les nuages de points (scatterplots) des projections différentes, par exemple, peuvent être combinés en colorant et en liant des sous-ensembles de points dans toutes les projections.

La visualisation des connaissances

Tout comme la visualisation d’informations, la visualisation des connaissances a pour fonction de représenter graphiquement des données abstraites. Comme (Tricot, 2006) le note, la visualisation de connaissances est une communauté plus récente que celle de la visualisation d’informations. Nous retrouvons ses origines dans la gestion des connaissances.
En gestion des connaissances, les connaissances constituent la ressource élémentaire. Donc, selon l’acception que l’on fait de la connaissance, les stratégies mises en oeuvre diffèrent (Burkhard, 2005) :
– Si la connaissance est perçue comme un objet, la gestion des connaissances a pour objectif de mettre en oeuvre des solutions de stockage.
– Lorsque la connaissance est perçue comme un processus, les stratégies se concentrent sur l’optimisation des processus manipulant les connaissances (comme l’identification, la création et le partage de connaissances).
– Avec la connaissance perçue comme une capacité, les stratégies se concentrent sur la mise en valeur de l’avantage stratégique des connaissances (gestion des compétences et construction d’un capital de connaissances).
– Si la connaissance est considérée comme une condition d’accès à l’information, la gestion des connaissances consiste à mettre en place les méthodes pour identifier, retrouver et accéder à l’information.
– Enfin, si la connaissance est perçue comme un état du savoir et de la compréhension, la gestion des connaissances supporte les individus pour étendre leurs connaissances.
Indépendamment des différentes acceptions sur le sens de la connaissance, la gestion des connaissances est assimilable à un processus dynamique qui a trois objectifs majeurs (Grundstein et al, 2004):
1. Optimiser les processus d’entreprise pour les orienter dans une perspective de gestion de la connaissance.
2. Mettre en oeuvre des systèmes pour stocker, identifier, retrouver et accéder aux informations et pour supporter la collaboration des individus.
3. Développer une culture de la connaissance pour motiver les personnes à prévoir, créer et partager leurs connaissances.
Tout comme dans le cadre de la visualisation d’informations, la mise en oeuvre d’une stratégie de gestion des connaissances impose donc aux individus de manipuler un grand nombre d’informations. Des supports externes sont encore une fois nécessaires pour aider les individus à acquérir, accéder, stocker, restructurer, communiquer et utiliser des connaissances. Cette problématique constitue l’origine de la visualisation de connaissances.
Portant de ce constat, le concept de « visualisation de connaissances », pris dans son sens le plus strict, est limité aux aspects d’externalisation de la connaissance d’un individu pour lui-même en utilisant un tracé libre (Dansereau, 2005). Keller et Tergan dans (Keller et Tergan, 2005) font d’ailleurs remarquer que l’expression de « visualisation de connaissances » est utilisée pour désigner tout procédé permettant de présenter une structure de connaissances (comme d’un expert à des étudiants) ou encore, comme moyen pour évaluer soi-même des connaissances et aider à la compréhension et à la navigation.
Enfin, la visualisation de connaissances, d’après (Burkhard, 2005), correspond à « l’utilisation de représentations visuelles pour améliorer le transfert de connaissances entre au moins deux personnes ou groupes de personnes ».

La différence avec la visualisation d’informations

La littérature qui compare la visualisation d’informations et la visualisation de connaissances est de plus en plus abondante (Keller et Tergan, 2005). Certains définissent ces deux domaines comme complémentaires et d’autres les définissent comme opposés.
Pour (Jaeschke et al, 2005), la visualisation d’informations porte sur des données abstraites portant sur des objets et les relations entre ces objets, alors que la visualisation de connaissances porte sur des données abstraites qui représentent des connaissances. Pour (Burkard, 2005), la visualisation d’informations et la visualisation de connaissances diffèrent de buts, d’avantages, de contenu, etc. nous constatons que, par exemple, dans sa définition la plus communément admise, la visualisation d’informations se limite à la création de cartes interactives informatisées alors que la visualisation de connaissances ne semble se limiter à aucun média (écran, papier, etc.).
De manière plus générale, ces deux visions de la visualisation semblent donc diverger sur l’objet de la visualisation (données abstraites représentant des connaissances ou non). Cependant, leur principale différence est celle des origines : la visualisation d’informations est issue des interfaces homme machine alors que la visualisation de connaissances est le fruit de la gestion des connaissances. Cette différence d’origine implique malheureusement une différence de communauté, une différence de formation et de parcours pour ceux qui composent ces communautés. Par conséquent, il est difficile de trouver un consensus sur leurs définitions et sur leurs différences.
Les connaissances étant représentées sous forme de données abstraites, la visualisation de connaissances exploite les techniques de la visualisation d’informations.
Ainsi, la visualisation de connaissances peut être perçue comme une activité englobant la visualisation d’informations à des fins de gestion de connaissances. Quoi qu’il en soit, ces deux communautés partagent les mêmes paradigmes.

La visualisation graphique en gestion des connaissances

Selon (Card et al, 1999), l’esprit humain traite facilement les informations visuelles et en extrait rapidement un grand nombre de connaissances. La visualisation de connaissances (knowledge visualization) est un domaine de recherche récent (Eppler et Burkhard, 2005). Ermine dans (Ermine, 2007b) fait d’ailleurs remarquer que la visualisation des connaissances est orientée spécifiquement vers le partage et le transfert de connaissances, et rencontre de ce fait une réflexion particulière dans la communauté de la gestion des connaissances. De même, (Keller et al, 2005) ont utilisé l’expression de « visualisation de connaissances » pour désigner tout procédé permettant de présenter un modèle de connaissances comme moyen pour l’évaluation et l’aide à la compréhension et à la navigation. Enfin, (Lamy et al, 2006) ont affirmé que la visualisation des connaissances nécessite des méthodes et des techniques différentes de la visualisation d’information.
Parmi les modèles de connaissances, la représentation graphique, par des techniques de
cartographie, est souvent la plus souhaitée.
Cependant, les représentations visuelles proposées dans les systèmes de gestion des connaissances sont pour la plupart basées, au moins implicitement, d’un point de vue formel sur des modèles d’arbres ou plus généralement de graphes. D’un point de vue théorique, ces méthodes ont pour la plupart été initialement développées dans la communauté de la visualisation d’information (Herman et al, 2000). D’un point de vue applicatif en gestion des connaissances, la paire inséparable (modèle, représentation visuelle) dépend à la fois des connaissances dont on dispose, du mode de raisonnement sur ces connaissances et des différents points de vue « utilisateurs » considérés dans le système de gestion des connaissances. Nous nous restreignons ici aux références associés à des applications en gestion des connaissances.
De façon générale, les modèles de visualisation sont souvent basés sur le modèle générique des réseaux sémantiques (Lehmann, 1992). Ils représentent avec les sommets d’un graphe des concepts et avec les arcs des relations sémantiques entre ces concepts. La majeure partie des techniques présentées ci-dessous pourrait être considérée, dans le cadre d’une représentation descriptive, comme des spécialisations des réseaux sémantiques.

La représentation par arbres

Les représentations sous forme d’arbres qui sont parmi les plus abouties, regroupent des techniques très différentes :
– Les cartes cognitives (Buzan et Buzan, 1996) permettent une représentation visuelle des idées ; ce modèle permet de représenter autour d’un sommet central des idées ou des pensées en créant différentes arborescences autour de ce sommet. Pour (Mongin, 2011), cette méthode permet de visualiser une hiérarchie temporaire et arbitraire de liens entre des données suivant une architecture arborescente dans le but de donner une vision synthétique du projet : objectifs, responsabilités, ressources, délégations, coûts, etc.
L’avantage énorme de cette méthode est de mettre à plat tous ces éléments, de les structurer, et de les rendre tous accessibles en un coup d’oeil. Dans la littérature, différentes solutions logicielles reprennent cette approche notamment MindManager5, Xmind6, etc… ou les différentes solutions proposées par « The Brain »7. Ces derniers sont des logiciels de Mind Mapping professionnel conçu pour faciliter la pratique du brainstorming et la visualisation des idées. Ses capacités d’organisation favorisent le recueil et l’analyse des idées, la mise en forme de rapports et la rationalisation du processus décisionnel.
– Les arbres de défaillances (Limnios, 2005) : l’arbre de défaillances est une méthode déductive (déductif : procédant d’un raisonnement logique rigoureux). Elle permet de savoir comment un système peut être indisponible.
Il s’agit de représenter les différentes évènements et leurs liaisons par des portes de logique (fonction ET ou fonction OU selon que la défaillance du matériel se produit lorsque les évènements se réalisent ensemble ou séparément) (Niel et Craye, 2002). Ils sont très utilisés dans le domaine de la sûreté de fonctionnement. Les représentations graphiques permettent de représenter l’ensemble des pannes possibles pouvant se produire pour un évènement donné. Un même système peut donc avoir plusieurs arbres de défaillances possibles. Cette technique est très employée dans le monde industriel où la sécurité est primordiale (aéronautique, automobile, chimie, nucléaire, …) (Pinaud et al, 2006);
– Les arbres de décision et plus généralement les graphes d’inductions ont été initialement utilisés en apprentissage automatique (Zighed et Rakotomalala, 2000). Pour (Kohavi et Quinlan, 1999), un arbre de décision modélise une hiérarchie de tests sur les valeurs d’un ensemble de variables appelées attributs.
À l’issue de ces tests, le prédicteur produit une valeur numérique ou il choisit un élément dans un ensemble discret de conclusions. Ils sont des modèles privilégiés d’exploration des données à la fois pour la description et le classement. Les feuilles d’un arbre de décision représentent des classes d’individus et chaque sommet intermédiaire est associé à un test sur un attribut d’une des classes. Chaque arc correspond à une réponse possible d’un test (Quinlan, 1986).

La représentation par graphes

La plupart des représentations par graphes en gestion des connaissances se retrouvent associées à trois grandes classes de modèles dont les intersections peuvent être importantes : les graphes conceptuels, les ontologies et les réseaux bayésiens.
– Les graphes conceptuels ont été à l’origine proposés comme une représentation graphique de la logique de premier ordre. Ils permettent de simplifier la mise en relation entre la logique et les langues naturelles (Sowa, 1992) pour obtenir une représentation des données qui soit lisible par tous et algorithmiquement puissante. D’une manière formelle, un graphe conceptuel est un diagramme qui représente non la syntaxe mais la sémantique d’une phrase.
Un graphe est composé de deux sortes de noeuds, les concepts et les relations conceptuelles, et d’arcs (Sowa, 2000). En gestion des connaissances, ils peuvent servir pour mettre en évidence des relations entre les concepts (Aissaoui et al, 2003) et comme formalisme pour représenter des ontologies (Fürst, 2004);

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION GENERALE
1. Problématique et Contribution
2. Structure de la thèse
PREMIERE PARTIE:Cartographie et Visualisation des connaissances
Chapitre 1. Etat de l’art – Cartographie des connaissances
1. Introduction
2. Donnée, Information et Connaissance
2.1. Donnée
2.2 Information
2.3 Connaissance
3. L’acquisition des connaissances
3.1. Les acteurs de l’acquisition des connaissances
3.1.1. Les experts
3.1.2. Le cogniticien
3.2. Les modes d’acquisition des connaissances
4. Les typologies des connaissances
4.1. Les modes de créations et transfert des connaissances
5. Gestion des connaissances
5.1. Définitions et objectifs
5.2. Le processus de gestion des connaissances
5.2.1. Cycle de vie de la connaissance d’après Dieng
5.2.2. Cycle de vie de la connaissance d’après Nonaka et Takeuchi
5.2.3. Cycle de vie de la connaissance d’après Grundestein
5.2.4. Cycle de vie de la connaissance d’après Ermine
5.3. Les méthodes de capitalisation des connaissances
5.3.1. La méthode MASK
5.3.2. La méthode CommonKADS
5.3.3. La méthode REX
5.3.4. La méthode CYGMA
5.3.5. Synthése sur la comparaison des méthodes de capitalisation
6. Le rôle de la cartographie dans la gestion des connaissances
6.1. Définitions et objectifs
6.2. Cartes et cartographie
6.2.1. Carte géographique
6.2.2. Carte des informations
6.2.3. Carte heuristique
6.2.4. Carte conceptuelle
6.2.5. Carte cognitive
6.2.4. Carte sémantique
6.3. Cartographie des connaissances
6.3.1. Définitions et objectifs
6.3.2. Les typologies de la cartographie des connaissances
6.3.2.1. Approche fonctionnelle
6.3.2.2. Approche conceptuelle ou par domaine
6.3.2.3. Approche procédurale ou par processus
6.3.3. Les méthodes de la cartographie des connaissances
6.3.3.1. Les méthodes de cartographie des connaissances par processu
A). La méthode GAMETH
B). La méthode de Tseng et Huang
C). La methode KALAM
6.3.3.2. Les méthodes de cartographie des connaissances par domaine
A). La méthode Pomain et Roche
B). La méthode d’arbre de connaissances
C). La methode MASK II ou M3C
6.3.4. Les modèles de représentation de la cartographie des connaissances
6.3.4.1. Le modèle graphique
6.3.4.2. Le modèle semi-formel -UML
6.3.4.3. Le modèle de criticite
6.3.5. Aperçu sur les travaux de cartographie realisées -domaine/processus
6.4. Les outils disponible pour realisé une carte des connaissances
7. Conclusion
Chapitre 2. Etat de l’art – Visualisation d’information et des connaissances
1. Introduction
2. Historique et objectifs de la visualisation
3. La visualisation d’information
3.1. Les techniques de visualisation d’information
3.2. La visualisation et l’intéraction
4. La visualisation des connaissances
4.1. La différences avec la visualisation d’information
5. La visualisation graphique en gestion des connaissances
5.1. La représentation par arbres
5.2. La représentation par graphes
6. La visualisation des cartes de connaissances
7. Les outils de la visualisation graphique des connaissances
7.1. Cmap (réseaux sémantiques et cartes conceptuelles)
7.2. Rational Rose (modèles UML)
7.3. Mind Manager (mindmapping)
7.4. MOT+ (modélisation par objet types)
8. Conclusion
DEUXIEME PARTIE:BKMDM: Boolean Knowledge Mapping guided by Data Mining
Chapitre 3. PHASE I – Réalisation et Modélisation booléenne de la cartographie des connaissances
1. introduction
2. Réalisation de cartographie des connaissances (critiques ou cruciales)
2.1. Définitions et objectifs
2.2. Le cadrage
2.3. Le repérage des connaissances (domaines ou processus)
2.4. La construction de la carte des conaissances
2.4.1. Evaluation de la cartographie des connaissances
2.4.2. Définition des critères de criticité
2.4.3. Calcul de criticité d’un domaine ou d’un processus de connaissances
2.4.4. Plan d’action
3. La modélisation booleènne de la carte des connaissances
3.1. Quelques travaux realisés avec CASI
3.2. La modélisation booleènne d’un graphe (MBG)
3.2.1. Application de la modélisation booleènne
3.2.2. Génération des règles
3.3. Modélisation booleènne d’une carte de connaissances (PHASE I)
3.3.1. Représentation booleènne d’une carte par MBG
3.3.1.1. Les matrices d’incidence (Entrée et Sortie)
3.3.1.2. Les fonctions de transitions
3.3.1.3. Génération des règles de cartographie
4. Conclusion
Chapitre 4. PHASE II – La cartographie des connaissances guidée par fouille de données
1. Introduction
2. La cartographie des connaissances guidée par fouille de données
2.1. Représentation du concept d’ECD
2.2. Le processus d’extraction des connaissances à partir des données
2.2.1. Définition et compréhension du problème
2.2.2. Collècte des données .
2.2.3. Pré-traitement des données
2.2.3.1. Sélection des données
2.2.3.2. Nettoyage et enrichissement des données .
2.2.4. Fouille de données (data mining)
2.2.4.1. Quelques principales tâches du data mining
A). La classification
B). La prédiction
2.2.4.2. Les méthodes de la fouille de données
A). Les arbres de décision
2.2.5. La construction d’un arbre de décision et génération des règles
2.2.6. Exploitation des règles d’induction
3. Conclusion
Chapitre 5. CARTOCEL – Outil support à BKMDM
1. Introduction
2. Fonctionnalités de l’outil CARTOCEL
2.1. Fonctionnalités relatives à la définition de la carte booleènne
2.1.1. Représentation graphique
2.1.2. Représentation booleènne
2.2. Fonctionnalités relatives à la fouille de données
2.2.1. Traitement des données
2.2.2. Exploitation des données
2.3. Environnement et outils de développement
2.3.1. Packages utilisés
3. CARTOCEL: fonctionnalités et interfaces
3.1. Fonctionnalités en rapport avec la carte booleènne des connaissances
3.2. Fonctionnalités relevant de l’exploitation des règles
4. De la cartographie booleènne des connaissances vers XML
4.1. Le codage des noeuds
5. La représentation semi-formel dans l’outil CARTOCEL
5.1. Le codage des noeuds
6. Conclusion
TROISIEME PARTIE APPLICATION SEMEP Service Epidémiologique et de MEdecine Préventive
Chapitre 6. Expérimentations et Résultats
1. Contexte de l’expérimentation
1.1 Introduction (Service Epidémiologique et de MEdecine Préventive)
1.1.1 Besoin de capitalisation des connaissances
1.2 Déroulement de l’expérience
1.2.1 Organisation du projet
1.3. Conclusion
2. PHASE I: La cartographie booléenne des connaissances
2.1 Introduction
2.2 Réalisation de la cartographie des connaissances du SEMEP
2.2.1 Elaboration de la cartographie des compétences stratégiques
2.2.2 Elaboration de la cartographie des savoir-faire métiers
2.2.2.1 Repérage des connaissances
2.2.2.2 La construction de la représentation physique de la carte
2.2.2.3 Analyse des critères de criticité
A) Elaboration des critères de criticité
B) La mise en oeuvre de l’évaluation de la criticité
C) Analyse des données
2.2.2.4 Analyse complémentaire
2.3 La modélisation booleènne de la carte des connaissances du SEMEP
2.3.1 Représentation booleènne de la carte des connaissances du SEMEP
2.4 Conclusion: Retour d’expérience
3. PHASE II: La cartographie booléenne guidee par data mining
3.1 Introduction
3.2 Test de personnalité (Test de BECK)
3.3 Pré-traitement des données
3.4 Fouille de données par arbre de décision
3.4.1 Construction d’un arbre de décision
3.4.2 Exploitation des règles
3.5 Conclusion: Résultats et discusions
CONCLUSION GÉNÉRALE
1. Conclusion: résultats et discusions
2. Perspectives
BIBLIOGRAPHIE
Bibliographies
ANNEXES
ANNEXE A : Machine cellulaire CASI
ANNEXE B : Test de personnalité (Test de BECK)
ANNEXE C : Grilles d’évaluation de criticité (exemple)

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *