Automatic detection of interactions between learners in multi-player learning games

Détection automatique des interactions entre apprenants dans les jeux sérieux multi-joueurs dédiés à l'apprentissage

Mathieu Guinebert (1)

1 MOCAH - Modèles et Outils en ingénierie des Connaissances pour l'Apprentissage Humain

This thesis is supervised by Mathieu Muratet, Amel Yessad and Vanda Luengo (thesis director). The goal of this work is to allow the automatic detection of peer interactions that could emerge from a multi-player learning game scenario before any use of it. The peer interactions contribute to the motivation and involvement of learners in their learning process. The work undertaken in this thesis propose models and analysis tools to allow game designers to obtain information on the peer interactions that could emerge from their game without requiring players’ traces. Thus, the designers could rely on that information to modify their scenarios to match with their needs towards peer interactions. In order to fulfill this goal, we brought three main contributions. The first contribution is an ontology thanks to which it becomes possible to model multi-player learning games scenarios with various granularity levels. The interactions are often abstractly defined; the second contribution aims to help their formalization thanks to low-level features. Interactions formalized in a such a way become automatically detectable. The third contribution is a set of algorithm dedicated to the analysis of the modeled scenario in order to detect the various interactions that could emerge from it. The ontology has been tested on various serious games scenarios. The two other contributions have been put to the test through an experimentation carried out on a game created in the scope of this thesis.

Cette thèse, encadrée par Mathieu Muratet et Amel Yessad, est dirigée par Vanda Luengo. L'objectif de ce travail est de permettre la détection automatique des interactions entre pairs pouvant émerger d'un scénario de jeux sérieux multi-joueurs en amont de toute utilisation de celui-ci. Les interactions entre pairs participent à la motivation et à l’engagement des apprenants dans leur processus d’apprentissage. Le travail engagé dans cette thèse propose des modèles et des outils d'analyse pour permettre aux concepteurs d'un jeu d'obtenir des informations sur les interactions entre pairs pouvant émerger au sein du jeu et ce sans requérir aux traces des joueurs. Les concepteurs pourraient alors s'appuyer sur ces informations pour modifier leur scénario afin qu'il corresponde au mieux à leurs attentes en terme d'interactions. Afin de satisfaire cet objectif nous avons apporté trois contributions principales. La première contribution est une ontologie grâce à laquelle il devient possible de modéliser des scénarios de jeux sérieux multi-joueurs avec différents niveaux de granularité. Les interactions ayant souvent des définitions abstraites, la deuxième contribution vise à aider leur formalisation à l'aide de propriétés de bas niveau. Les interactions ainsi formalisées deviennent détectables automatiquement. La troisième contribution est un ensemble d'algorithmes d’analyse du scénario modélisé pour détecter les différentes interactions pouvant émerger de celui-ci. L'ontologie a été testée sur différents scénarios de jeux sérieux. Les deux autres contributions sont mises à l’épreuve à travers une expérimentation menée sur un jeu créé dans le cadre de cette thèse.

Mots clés: Peer interactions; Learning games; Multi-players; Automatic detection; Modeling; Scenarios

Mots clés: Interactions entre pairs; Jeux sérieux; Multi-joueurs; Détection automatique; Modélisation; Scénarios

Domaines: Environnements Informatiques pour l'Apprentissage Humain

Mathieu Guinebert. Détection automatique des interactions entre apprenants dans les jeux sérieux multi-joueurs dédiés à l'apprentissage. Environnements Informatiques pour l'Apprentissage Humain. Sorbonne Université, 2019. Français. ⟨NNT : 2019SORUS130⟩. ⟨tel-02944719⟩