Est-ce que j’utilise mon expérience ou Google Maps pour choisir mon itinéraire ? Est-ce que je réponds à cet e-mail sur mon smartphone ou sur mon PC ? Est-ce que j’utilise des menus ou des raccourcis pour sélectionner cette commande fréquente ? Quelle page web est-ce que je visite pour trouver des informations ? Est-ce que j’utilise le robot chirurgical Da Vinci pour opérer mon patient ou les instruments laparoscopiques traditionnels ? Comment puis-je atteindre cet objet avec ma prothèse robotique ?
Objectif
L’objectif global de ce projet est d’améliorer la prise de décision humaine dans les mondes physique et numérique dans des contextes interactifs.
Les exemples précédents illustrent divers scénarios dans lesquels un humain prend une décision avec un système interactif. La décision peut porter sur un choix complexe dans le monde réel assisté par un ordinateur (par exemple, un traitement médical) ou sur le choix d’une méthode pour réaliser une tâche numérique (par exemple, modifier une photo avec l’outil préféré).
L’objectif scientifique est de comprendre comment les utilisateurs prennent des décisions avec des systèmes interactifs et comment ces décisions évoluent dans le temps. En effet, les utilisateurs développent progressivement une expertise au cours de l’utilisation répétée des systèmes interactifs. Cette expertise influence la façon dont les utilisateurs prennent leurs décisions. Cela nécessite l’étude simultanée des phénomènes d’apprentissage et de prise de décision qui sous-tendent l’utilisation des systèmes interactifs.
L’objectif applicatif est de concevoir et de mettre en œuvre de meilleurs systèmes interactifs et adaptatifs. L’être humain s’adapte et développe son expertise en utilisant un système interactif. L’objectif ici est que le système, de son côté, évolue également pour s’adapter à ses utilisateurs, c’est-à-dire qu’il s’habitue au comportement des utilisateurs et en particulier à leur expertise. Il s’agit donc d’établir un partenariat homme-machine dans lequel les deux acteurs (humain et machine) s’adaptent l’un à l’autre.
Hypothèse
Pour atteindre cet objectif, notre hypothèse de recherche est qu’il est nécessaire de développer des modèles computationnels robustes d’apprentissage et de prise de décision en IHM. Les modèles computationnels permettent d’expliquer et de prédire le comportement humain en synthétisant des phénomènes complexes de manière testable et réfutable. En IHM, ils servent à évaluer la qualité d’une interface sans avoir à mener des études d’utilisateurs longues et coûteuses. Lorsque ces modèles sont robustes, ils peuvent être intégrés dans des systèmes interactifs pour optimiser l’interaction et adapter l’interface en fonction de l’expertise et/ou des actions des utilisateurs.
Approche
L’originalité de ce projet pluridisciplinaire est de transposer les théories, modèles et méthodes des Neurosciences Computationnelles à l’IHM. Les neurosciences étudient les phénomènes impliquant à la fois la prise de décision et l’apprentissage chez l’homme, mais n’ont pas jusqu’à présent reçu l’attention qu’elles méritent dans la communauté de l’IHM. Les neurosciences offrent :
- un cadre théorique pour étudier les comportements humains complexes, en particulier, « Computational Rationality », une approche prometteuse qui réconcilie modélisation théorique (pour expliquer le comportement humain) et modélisation algorithmique (pour prédire le comportement humain).
- Des modèles de perception, d’action et de cognition. Ces modèles doivent être considérés et transposés en IHM pour prédire le comportement humain avec les systèmes interactifs
- Des méthodes avancées et bien établies pour évaluer les modèles computationnels qui ne sont pas encore utilisées en IHM
- Des outils (EEG, GSR, EMG) de mesure qui complémentent ceux utilisés en IHM
Organisation : 5 Work-packages (WP)
WP0 : Management – Gilles BAILLY (PI)
WP1 : Framework – Développer un framework commun et des recommandations pour étudier des problèmes IHM avec une approche en neurosciences – Gilles BAILLY (PI). Développer un frame
WP2 : Cognition – Développer des modèles computationnels pour expliquer et prédire (1) comment les utilisateurs apprennent et adoptent des méthodes interactives et comment ca influence la prise de décision à haut niveau – Benoît GIRARD
WP3 : Perception – Développer des modèles computationnels pour expliquer et prédire comment les incohérences visu-haptiques influencent le comportement humain, le sentiment d’agentivité et les jugements méta-cognitifs – Malika AUVRAY
WP4 : Action – Développer des modèles computationnels pour expliquer et prédire les mouvements humains dans des environnements adaptatifs – Emmanuel GUIGON
WP5 : Integration – Julien GORI
WP6 : Études utilisateur – David GUEORGUIEV