Show item record

dc.contributor.advisorFrasson, Claude
dc.contributor.authorOuellet, Sébastien
dc.date.accessioned2016-11-14T15:01:30Z
dc.date.availableNO_RESTRICTIONfr
dc.date.available2016-11-14T15:01:30Z
dc.date.issued2016-09-28
dc.date.submitted2016-06
dc.identifier.urihttp://hdl.handle.net/1866/16179
dc.subjectÉducationfr
dc.subjectApprentissage machinefr
dc.subjectDonnées psychophysiologiquesfr
dc.subjectIntelligence artificiellefr
dc.subjectJeu sérieuxfr
dc.subjectEducationfr
dc.subjectMachine learningfr
dc.subjectPsychophysiological datafr
dc.subjectArtificial intelligencefr
dc.subjectSerious gamefr
dc.subject.otherApplied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800)fr
dc.titleEnvironnement d’adaptation pour un jeu sérieuxfr
dc.typeThèse ou mémoire / Thesis or Dissertation
etd.degree.disciplineInformatiquefr
etd.degree.grantorUniversité de Montréalfr
etd.degree.levelMaîtrise / Master'sfr
etd.degree.nameM. Sc.fr
dcterms.abstractNous avons développé un jeu sérieux afin d’enseigner aux utilisateurs à dessiner des diagrammes de Lewis. Nous l’avons augmenté d’un environnement pouvant enregistrer des signaux électroencéphalographiques, les expressions faciales, et la pupille d’un utilisateur. Le but de ce travail est de vérifier si l’environnement peut permettre au jeu de s’adapter en temps réel à l’utilisateur grâce à une détection automatique du besoin d’aide de l’utilisateur ainsi que si l’utilisateur est davantage satisfait de son expérience avec l’adaptation. Les résultats démontrent que le système d’adaptation peut détecter le besoin d’aide grâce à deux modèles d’apprentissage machine entraînés différemment, l’un généralisé et l’autre personalisé, avec des performances respectives de 53.4% et 67.5% par rapport à un niveau de chance de 33.3%.fr
dcterms.abstractWe developed a serious game in order to teach users how to draw Lewis diagrams. We integrated an environment able to record in electroencephalographic signals, facial expressions, and pupil diameters to the serious game. The goal of this work is to determine whether such an environment enabled the serious game to detect in real-time whether or not the user needs help and adapt itself accordingly, and if the experience is more enjoyable for the users if the game tries to adapt itself. Results show that two approaches were promising in order to detect the level of help needed, both training a machine learning models but one using a general data set and the other a personalized (to the user) data set, with their respective performances being 53.4% and 67.5% compared to a chance baseline of 33.3%.fr
dcterms.languagefrafr


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show item record