Un environnement numérique pour l’entraînement au travail en équipe (ECC’IPE)

Des ressources scientifiques complémentaires associées à cette conférence sont disponibles en cliquant sur l'icône « Téléchargements » ci-contre

Conférence animée par 

Nicolas MICHINOV
Professeur des Universités, Laboratoire Cognition, Comportement, Communication, LP3C, Université Rennes 2
et
Estelle MICHINOV
Professeure des Universités, Laboratoire Cognition, Comportement, Communication, LP3C, Université Rennes 2
et
Éric JAMET
Professeur des Universités, Laboratoire Cognition, Comportement, Communication, LP3C, Université Rennes 2

avec la collaboration des équipes de recherche et de développement¹ du Laboratoire d’Informatique de Modélisation et d’Optimisation des Systèmes, LIMOS, UMR-6158 CNRS/UCA

Une contribution de recherche à l’appui du dispositif pour l’entraînement au travail en équipe (Projet ECC’IPE)

Dans ce domaine et dans un premier temps, il s’agit de modéliser et caractériser la dynamique de l’équipe à travers ses échanges dans le cours de l’activité d’entraînement. C’est-à-dire déterminer ses caractéristiques d’un point de vue cognitif, socio-affectif et de leadership et repérer les éléments permettant d’affirmer, par exemple, que l’équipe est passée d’un état à un autre (d’une situation de conflit à une situation de coordination).
Adossé à ce type de modélisation, l’objectif est de fournir à l’animateur/formateur les éléments pour suivre l’évolution du groupe dans le temps et pouvoir délivrer des feedbacks et des recommandations personnalisées au moment le plus opportun.
Dans un second temps, il s’agit de se livrer à l’analyse des traces des interactions au moyen de techniques relevant de l’intelligence artificielle pour favoriser chez l’animateur/formateur une appréciation préalable à l’analyse de la séquence d’entraînement au travail en équipe avec ses participants.

Références :

• Bouet M., Schneider M., (2016) A NoSQL-Based Framework for Managing Home Services. Open J. Inf. Syst. 3(1): 1-28.
• Forsyth, D. R. (2014). Group dynamics (6th ed.). Belmont, CA: Wadsworth Cengage Learning.
• Issa O., Bonifati A., Toumani F., (2020) Evaluating Top-k Queries with Inconsistency Degrees. Proc. VLDB Endow. 13(11): 2146-2158.
• Zhang C., Toumani F., Doreau B., (2020) SUDAF: Sharing User-Defined Aggregate Functions. ICDE 2020: 1750-1553.
• Barra V., Cornuéjols A., Miclet L., (2021) Apprentissage artificiel – Concepts et algorithmes – de bayes et hume au deep learning.
• Ducros T., Bouet M., Toumani F., (2021) Weak Subsumption in the EL-Description Logic with Refreshing Variables (Extended Abstract). Description Logics.

¹ Cf. liste complète des membres du LIMOS UMR-5168 impliqués dans ProFAN-Transfert.