Développement et évaluation d’algorithmes de personnalisation basés sur l’IA pour l’entraînement de l’attention

Development and evaluation of AI-based personalization algorithms for attention training

• Auteur / Autrice : Maxime Adolphe
• Direction : Hélène Sauzéon, Pierre-Yves Oudeyer
• Type : Thèse de doctorat
• Discipline(s) : Sciences cognitives et Ergonomie - Option Sciences Cognitives
• Date : Soutenance le 27/09/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Sociétés, politique, santé publique (Talence, Gironde ; 2011-....)
• Partenaire(s) de recherche : Laboratoire : Bordeaux population Health
• Jury : Président / Présidente : Vanda Luengo
• Jury : Examinateurs / Examinatrices : Claudia Von Bastian
• Jury : Rapporteurs / Rapporteuses : Julien Diard, Walter R. Boot

Mots clés

Mots clés contrôlés

Entraînement cognitif

Tutoriels

Stimulation cognitive

Troubles de l'attention

Attention

Mots clés libres

Personnalisation

Entraînement Cognitif

Attention

MOT

Système tutoriels intelligents

Cognitive Training

Attention

Individualized

MOT

Intelligent tutoring system

Résumé

Les Systèmes Tutoriels Intelligents (STI) offrent des solutions éducatives innovantes proposant des expériences d’apprentissage personnalisées qui s’adaptent à la variabilité individuelle. L’équipe Flowers (centre INRIA de l’université de Bordeaux) développe des STI dont l’originalité est d’être basée sur l’Hypothèse de Progrès d’Apprentissage (HPA). L’HPA postule que les individus sont intrinsèquement motivés à s’engager dans des activités où ils perçoivent un progrès d’apprentissage élevé et que l’expérience de ce progrès renforce encore leur motivation. Le système, nommé Zone of Proximal Development and Empirical Success (ZPDES), utilise un algorithme d’apprentissage automatique qui personnalise les trajectoires d’apprentissage en identifiant dynamiquement les activités maximisant les progrès. L’étude de l’Entraînement Cognitif (EC), une intervention visant à améliorer des fonctions cognitives telles que la mémoire, l’attention et la résolution de problèmes, révèle que les bénéfices d’un EC sont fortement soumis aux différences interindividuelles, soulignant la nécessité de la personnalisation. Dans ce contexte,notre recherche explore le potentiel de l’algorithme ZPDES utilisé dans le cadre de l’EC pour améliorer les performances cognitives, l’engagement et la motivation. Nous avons d’abord mené une revue systématique pour identifier les stratégies actuelles de personnalisation de l’EC. La revue a révélé l’immaturité relative du domaine, caractérisée par un nombre limité d’études (n=19), des problèmes méthodologiques et une grande variété d’approches au sein de cet échantillon restreint. Puis, à travers une revue subjective, nous nous sommes intéressés à la tâche Multi-Object Tracking (MOT), et nous avons documenté son efficacité comme EC en fonction des paramètres manipulés dans la tâche : sont observés chez des individus variés en âge et en neurodiversité,des effets de transfert proches, tels que l’amélioration sur des tâches nécessitant de l’attention (par exemple, la tâche Useful field of view), des transferts lointains (comme la mémoire de travail ou les fonctions exécutives), et des transferts écologiques, notamment une perception améliorée des mouvements biologiques et des performances en football. Sur cette base, nous avons conçu et testé un programme d’EC individualisé utilisant la tâche MOT. D’abord, nous avons développé une batterie cognitive complète comprenant sept tâches couvrant l’attention, la mémoire de travail et les fonctions exécutives. Ensuite,deux expérimentations ont été menées : l’une avec des jeunes adultes (n=72) et l’autre avec des adultes âgés (n=50), avec à chaque fois un groupe contrôle (EC non personnalisé) et un groupe expérimental (EC personnalisé). Les participants effectuaient trois heures d’évaluation pré et post EC, et l’EC durait huit heures (reparties sur 2 semaines), en gérant leurs horaires de manière autonome via une plateforme en ligne. Les résultats ont montré que ZPDES pouvait être plus efficace qu’une condition contrôle, avec des performances améliorées dans les tâches entraînées dans les deux études, soulignant les avantages des parcours individualisés. Cependant, la motivation et l’engagement étaient plus faibles dans les groupes utilisant ZPDES, probablement en raison de la charge cognitive et de facteurs métacognitifs. En conclusion, la personnalisation de l’EC par des systèmes comme ZPDES représente une direction prometteuse pour les recherches futures. Elle propose des méthodes automatiques qui prennent en compte les différences individuelles tout en respectant les standards méthodologiques d’évaluation de l’efficacité d’un EC. Ce travail enrichit les connaissances dans les domaines des STI et de l’EC. Il démontre le potentiel des stratégies d’apprentissage individualisées pour améliorer les résultats d’un EC, tout en soulignant l’importance cruciale de la motivation et de l’engagement pour optimiser l’efficacité de ces approches en termes d’effets cognitifs et éducatifs.

Intelligent Tutoring Systems (ITS) offer innovative educational solutions by providing personalized learning experiences that adapt to individual variability. This adaptability is crucial for tailoring curricula to maximize student engagement and learning outcomes. The Flowers team (INRIA Bordeaux) has developed an ITS based on the Learning Progress Hypothesis (LP-H). The LP-H suggests that individuals are intrinsically motivated to engage in learning activities when they perceive their own progress. This perception of progress acts as an internal motivator, encouraging them to pursue more activities where they can continue to make significant progress. The system, named Zone of Proximal Development and Empirical Success (ZPDES), uses a machine learning algorithm to customize learning trajectories by dynamically identifying and exploiting activities that yield maximal learning progress, thereby enhancing student motivation. The study of cognitive Training (CT), which involves structured tasks designed to improve specific cognitive functions such as memory, attention, and problem-solving, reveals that the benefits of CT are highly sensitive to inter-individual differences, highlighting the need for CT personalization. In this context, our research explores the potential of applying the ZPDES framework to CT to improve cognitive performance, engagement, and motivation. We first conducted a systematic review to identify current strategies for individualizing cognitive training. The review revealed the field’s relative immaturity, characterized by a limited number of studies (n=19), methodological issues, and a wide variety of approaches within this small sample. Then, through a subjective review, we examined the Multi-Object Tracking (MOT) task and documented its effectiveness as CT and its dependence on manipulated task parameters. In individuals varying in age and neurodiversity, we observed near transfer effects, such as improvements in attention-related tasks (e.g., the Useful Field of View task), far transfer effects (e.g., working memory and executive functions), and ecological transfers, including better perception of biological movements and soccer performance. Based on these insights, we designed and tested an individualized CT program using the MOT task. First, we developed a comprehensive cognitive battery comprising seven tasks covering attention, working memory and executive functions. Then, two experiments were carried out: one with young adults (n=72) and the other with older adults (n=50), each time with a control group (non-personalized CT) and an experimental group (personalized/ZPDES CT). Participants completed three hours of pre- and post-assessment, and the CT lasted eight hours (spread over 2 weeks), managing their schedules autonomously via an online platform. The results showed that ZPDES could be more effective than a control condition, with improved performance on trained tasks in both studies, underlining the benefits of individualized training paths. However, motivation and engagement were lower in the groups using ZPDES, probably due to cognitive load and metacognitive factors. Overall, individualizing cognitive training through systems like ZPDES provides a promising direction for future research by providing automatic methods for taking individual differences into account in CT programs while respecting methodological standards for evaluating the effectiveness of CT. As a result, our work contributes to the growing body of knowledge in both ITS and CT domains while stressing the crucial role of challenges related to motivation and engagement to optimize the effectiveness of these individualized approaches for cognitive and educational outcomes.