Suivi de l'apprenant en environnement virtuel pour la formation à la prévention des risques sur des sites SEVESO

par Kahina Amokrane

Thèse de doctorat en Technologies de l'information et des systèmes

Sous la direction de Jean-Paul Barthès et de Domitile Lourdeaux.

Soutenue en 2010

à Compiègne .


  • Résumé

    Ce travail rentre dans le cadre de l'utilisation de la réalité virtuelle pour la formation. Plus précisément, il fait partie du projet V3S dont l'objectif est de proposer un outil de formation et d'aide à la décision, dédié à la prévention et management des risques ainsi qu'aux interventions sous-traitances sur sites à hauts risques. Cette thèse débute par des études montrant l'intérêt de différents aspects concernant : 1) la réalité virtuelle pour la formation notamment la formation à la maîtrise des risques. La réalité virtuelle permet de reproduire toutes les situations de crise sans aucun danger, et permet également l'apprentissage par l'erreur et l'apprentissage réflexif ; 2) la modélisation ergonomique de l'activité humaine qui permet la description de la tâche du point de vue de l'opérateur et non seulement de l'expert ; 3) des classifications d'erreurs qui permettent un raisonnement générique ; 4) et des études de gestion des risques notamment d'analyses des risques, qui permet d'identifier les sources des dangers sur un site industriel ainsi que les mesures (barrières) de maîtrise des risques à mettre en place. Nous présentons dans ce mémoire notre tuteur intelligent HERA, qui vise à interpréter la trace laissée par l'apprenant en environnement virtuel afin de déterminer la tâche effectuée et les erreurs commises. Pour ce faire, HERA s'appuie sur un modèle de référence décrit en utilisant le langage HAWAI-DL, que nous avons proposé, et sur un modèle de classification d'erreurs. HERA se distingue des autres tuteurs intelligents du fait qu'il met plus en valeur l'aspect risque en intégrant un modèle et un module de risques. Ce module analyse les erreurs commises pour déterminer les risques engendrés en se basant sur le modèle de risques décrit par un réseau bayésien. Les erreurs sont aussi analysées par le modèle pédagogique, afin de déterminer les rétroactions pertinentes en fonction du niveau de l'apprenant et des objectifs visés. Ces rétroactions sont mises en place en exploitant les fonctionnalités de la réalité virtuelle. Certaines tâches dans le modèle de référence représentent des barrières de sécurité dont l'objectif est de gérer les risques. Lors de la réalisation de telles tâches, le module de risques vérifie si les risques concernés peuvent être arrêtés ou non, en raisonnant sur une ontologie de risques. Notre système fournit une trace argumentée qui contient la tâche effective et l'enchaînement des événements (causes/effets), ce qui permet au formateur et à l'apprenant de revenir, en mode rejeu, sur ce qui a été fait durant une session de formation. Notre travail a été appliqué sur trois scénarios d'applications : un scénario de chargement de matières dangereuses, un scénario de changement de tuyauteries, et un scénario de maintenance de machines.

  • Titre traduit

    Learner tracking in a virtual environment for risk prevention training at SEVESO sites


  • Résumé

    A site classified "Seveso" is an industrial installation where the activity presents a significant risk to surrounding populations, in case of serious accident. Hence, the limitations encountered to reach this kind of site, particulary in the context of training. Virtual reality is one of the technologies that appear interesting to remedy these limitations. It allows to make the learner in situations close to reality and allows him to learn without any risk. My PhD thesis work falls within the framework of using virtual reality for risk prevention training. Our objectives are 1) to script virtual environment according to learner actions and profile, and pedagogical goals, 2) to trace learner activity and all the events sequences, from causes to effects, with argued explanations. For this, we base on knowledge representation models : task description language, ontology, erros model, Bayesian Networks. To achieve our objectives, we need to interpret the observable actions performed by a learner and their effects in virtual environments to determine performed task, commited errors and produced risks. To do this, we proposed an intelligent tutor called HERA (Helpful staff for safety learning in virtual environments).

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (239 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. 123 réf.

Où se trouve cette thèse ?

  • Bibliothèque : Université de Technologie de Compiègne. Service Commun de la Documentation.
  • Disponible pour le PEB
  • Cote : 2010 AMO 1874
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.