Thématiques de recherche

Cet axe de recherche étudie la didactique de l'informatique et, en particulier, de la programmation. Les contributions comprennent une analyse de l'enseignement de l'informatique dans les écoles italiennes [Bellettini et al., 2014a] et une critique de la conception qui réduit la programmation au codage d'algorithmes dans un langage [Lonati et al., 2015]. Les travaux portent sur l'initiation à la programmation au moyen de projets et d'outils spécifiques [Bulgheroni et Malchiodi, 2009; Paterson et al., 2015], les parcours interdisciplinaires associant programmation et musique [Ludovico et al., 2017; Baratè et al., 2017a; Baratè et al., 2017b] et l'enseignement de notions avancées de programmation [Lonati et al., 2016; Lonati et al., 2017d]. Une approche constructionniste de l'enseignement de la programmation a été analysée dans [Monga et al., 2018; Lodi et al., 2019], tandis que [Condorelli et Malchiodi, 2022] décrit la conception d'un cours sur les architectures pour les données massives, réalisée en collaboration avec un partenaire industriel.

En collaboration avec laboratorio ALaDDIn (Università degli Studi di Milano)

Ces activités, menées avec le laboratoire ALaDDIn, visent à faire connaître les fondements de l'informatique dans les écoles et auprès d'un public plus large. Elles comprennent des concours d'informatique pour les élèves, comme le Kangourou dell'Informatica [Lissoni et al., 2012; Lissoni et al., 2013; Lissoni et al., 2014; Lissoni et al., 2015] et l'édition italienne de Bebras. Les questions de cette dernière activité ont été étudiées comme ressources pédagogiques et analysées du point de vue de leur difficulté [Bellettini et al., 2015b; Lonati et al., 2017c; Calcagni et al., 2017; Lonati et al., 2017a; Morpurgo et al., 2018]. Des activités constructionnistes ont également été proposées pour l'apprentissage de la programmation et de la pensée informatique, notamment à partir de la musique et de briques LEGO® [Baratè et al., 2017b; Baratè et al., 2017a; Monga et al., 2018; Lodi et al., 2019]. Ces initiatives s'accompagnent d'actions de formation des enseignants [Bellettini et al., 2015a; Bellettini et al., 2018a; Bellettini et al., 2018b] et de contributions destinées aux enseignants et au grand public [Monga et al., 2017; Bellettini et al., 2020].

En collaboration avec laboratorio ALaDDIn (Università degli Studi di Milano)

[Bellettini et al., 2014c] introduit l'approche algomotrice, qui place le traitement automatique de l'information au centre de l'enseignement de l'informatique. L'objectif est de dépasser un enseignement centré presque exclusivement sur le fonctionnement d'outils technologiques spécifiques [Lonati et al., 2015; Bellettini et al., 2014a; Bellettini et al., 2020]. Cette approche a été évaluée dans le cadre de formations menant à la qualification des enseignants [Bellettini et al., 2015a], avec une attention particulière portée à la perspective constructiviste [Bellettini et al., 2018b; Bellettini et al., 2018a]. L'utilisation pédagogique des concours d'informatique dans des contextes non compétitifs a également été étudiée [Lonati et al., 2017c], en analysant l'influence des modalités de présentation des questions sur leur efficacité pédagogique [Lonati et al., 2017a].

En collaboration avec laboratorio ALaDDIn (Università degli Studi di Milano)

Cette activité étudie l'utilisation des concours d'informatique comme ressources d'apprentissage dans les écoles primaires et secondaires, en privilégiant leur dimension éducative par rapport à la compétition. Elle comprend l'organisation de concours à l'échelle nationale [Lissoni et al., 2012; Lissoni et al., 2013; Lissoni et al., 2014; Lissoni et al., 2015], l'analyse critique de leurs résultats [Bellettini et al., 2015b; Lonati et al., 2017a] et l'étude de leur utilisation pédagogique [Lonati et al., 2017c; Calcagni et al., 2017; Morpurgo et al., 2018].

En collaboration avec laboratorio ALaDDIn (Università degli Studi di Milano)

L'approche algomotrice introduite dans [Bellettini et al., 2014c; Bellettini et al., 2014b] a été appliquée à l'enseignement de notions fondamentales de l'informatique, telles que la représentation de l'information [Bellettini et al., 2012; Bellettini et al., 2013; Baratè et al., 2017a], les bases de la programmation [Baratè et al., 2017b] et les stratégies algorithmiques récursives et gloutonnes [Lonati et al., 2016; Lonati et al., 2017d; Lonati et al., 2017b].

En collaboration avec laboratorio ALaDDIn (Università degli Studi di Milano)

Cet axe de recherche étudie des algorithmes d'apprentissage à partir de données partiellement étiquetées ou d'étiquettes incertaines, ainsi que des méthodes d'induction d'ensembles flous. En particulier, [Malchiodi et Legnani, 2014] propose une extension d'algorithmes de classification à vecteurs de support permettant de traiter aussi bien des données partiellement étiquetées que des étiquettes incertaines, tandis que [Malchiodi et Pedrycz, 2013] introduit un algorithme d'apprentissage des fonctions d'appartenance d'ensembles flous, adapté par la suite à l'induction de shadowed sets dans [Malchiodi et Zanaboni, 2019].

Les techniques bootstrap utilisent le rééchantillonnage des données pour estimer la distribution d'échantillonnage d'une statistique et quantifier l'incertitude des estimations. Cet axe de recherche étudie une variante proposée initialement dans [Apolloni et al., 2006a] et approfondie par la suite dans [Apolloni et al., 2009; Apolloni et al., 2007a], qui permet de construire des régions de confiance pour des courbes de régression sans recourir aux hypothèses usuelles sur la distribution des erreurs de mesure. Les applications à la régression linéaire et non linéaire sont décrites dans [Apolloni et al., 2008c], tandis que [Apolloni et al., 2007c] présente des applications dans le domaine médical.

Cet axe de recherche développe l'inférence algorithmique, un cadre théorique qui unifie des problèmes d'inférence en statistique, comme l'estimation ponctuelle et par intervalles des paramètres de distributions, et en informatique, comme l'estimation de l'erreur d'approximation en apprentissage computationnel [Apolloni et al., 2006a; Apolloni et al., 2005e; Apolloni et al., 2002e; Apolloni et al., 2002d; Apolloni et Malchiodi, 2001b; Malchiodi, 2000]. Ce cadre s'appuie sur des résultats théoriques antérieurs concernant la complexité en échantillons des problèmes d'apprentissage [Apolloni et Malchiodi, 2001a]. Il a été appliqué à l'estimation du risque de classification pour les machines à vecteurs de support [Apolloni et al., 2007e; Apolloni et al., 2005b; Apolloni et Malchiodi, 2002; Apolloni et Malchiodi, 2001b] et à la construction de régions de confiance pour des droites de régression sans supposer une distribution gaussienne des erreurs [Apolloni et al., 2005f; Apolloni et al., 2002f]. Dans le domaine médical, il a été utilisé pour construire des régions de confiance pour la fonction de risque instantané associée au délai de récidive de certains cancers [Apolloni et al., 2007c; Apolloni et al., 2005g; Apolloni et al., 2002i].

Les circuits matériels dédiés au calcul d'estimations à partir des données permettent de réduire les temps de traitement, mais nécessitent des algorithmes compatibles avec les contraintes de leur architecture. Cet axe de recherche a appliqué le modèle inference among gossips, développé dans [Malchiodi, 1996], à la construction d'une famille d'estimateurs pour des populations bernoulliennes, pouvant être implémentée directement sur des cartes pRAM [Apolloni et al., 1997]. Le même modèle a ensuite été appliqué à l'étude des échanges d'informations dans les réseaux sociaux [Apolloni et al., 2013].

Dans la théorie de l'apprentissage computationnel, le principe de minimisation du risque structurel équilibre la complexité d'un modèle et son erreur sur les données d'entraînement, afin de favoriser sa capacité de généralisation. Cet axe de recherche applique ce principe à des classificateurs fondés sur des expressions logiques en forme normale disjonctive ou conjonctive. Dans [Apolloni et al., 2006b; Apolloni et al., 2005h; Apolloni et al., 2003a; Apolloni et al., 2002h; Apolloni et al., 2002b], un algorithme a été développé pour simplifier ces expressions par optimisation stochastique des paramètres des ensembles flous qui les décrivent.

Les systèmes d'apprentissage hybrides combinent des modules subsymboliques, souvent fondés sur des réseaux de neurones, et des modules symboliques reposant sur des constructions logiques. Cet axe de recherche étudie l'intégration de ces représentations et d'autres modèles d'apprentissage. [Apolloni et al., 2005a; Apolloni et al., 2004a] décrivent un système qui extrait des composantes booléennes indépendantes (bICA) à partir des caractéristiques des données d'entrée. Ces composantes sont interprétées comme des valeurs de vérité et utilisées pour construire des formules logiques qui représentent symboliquement les relations entre les données [Apolloni et al., 2006b; Apolloni et al., 2003a; Apolloni et al., 2002a; Apolloni et al., 2000]. Le système a été appliqué à la reconnaissance des émotions à partir du signal vocal [Apolloni et al., 2004a]. Des systèmes de ce type ont également été utilisés pour le suivi de l'attention du conducteur à partir de signaux physiologiques [Apolloni et al., 2004c; Apolloni et al., 2004b; Apolloni et al., 2003d; Apolloni et al., 2003c; Apolloni et al., 2003b], dans le cadre du projet ORESTEIA (mOdular hybRid artEfactS wiTh adaptivE functIonAlity, IST-2000-26091), financé par l'Union européenne au titre du volet IST-FET du cinquième programme-cadre entre 2001 et 2003. Un second volet intègre un système flou permettant de mesurer la pertinence des exemples d'entraînement à des modèles de classification et de régression. En particulier, [Apolloni et Malchiodi, 2006] décrit l'intégration avec un classificateur linéaire à vecteurs de support, tandis que [Apolloni et al., 2005c] présente l'intégration avec un modèle de régression linéaire.

Ces travaux ont appliqué le cadre de l'inférence algorithmique décrit dans [Apolloni et al., 2006a; Malchiodi, 2000] à la classification automatique des émotions à partir de signaux audiovisuels [Apolloni et al., 2004a; Apolloni et al., 2002a]. La recherche a été menée dans le cadre du projet PHYSTA (Principled Hybrid Systems: Theory and Applications), financé par l'Union européenne au titre du programme TMR du quatrième programme-cadre entre 1998 et 2000. Les résultats ont été présentés lors d'une école internationale d'apprentissage computationnel organisée dans le cadre du même projet.

Le projet ORESTEIA (mOdular hybRid artEfactS wiTh adaptivE functIonAlity) a porté sur la conception, la réalisation et l'analyse de systèmes intelligents pour l'informatique pervasive et ubiquitaire, qui intègrent des capacités de traitement dans l'environnement et les objets du quotidien. Le projet a été financé par l'Union européenne au titre du volet IST-FET du cinquième programme-cadre entre 2001 et 2003 Dans le cadre des recherches sur la détection des états d'attention [Kasderidis et al., 2003], un prototype a été développé pour reconnaître l'état d'attention du conducteur d'une voiture à partir de signaux physiologiques [Apolloni et al., 2004c; Apolloni et al., 2004b; Apolloni et al., 2003d; Apolloni et al., 2003c; Apolloni et al., 2003b].

Les systèmes de calcul scientifique permettent de réaliser des simulations et d'explorer des problèmes mathématiques de manière interactive et progressive, offrant ainsi des outils pour concevoir des activités pédagogiques [Bulgheroni et Malchiodi, 2009; Malchiodi, 2008b]. Un système commercial a été décrit en détail dans [Malchiodi, 2007] et enrichi de fonctionnalités pour le codage de l'information [Malchiodi, 2006d], l'appel de procédures à distance [Malchiodi, 2006c; Malchiodi, 2006a] et la production de documentation scientifique [Malchiodi, 2011]. D'autres extensions concernent l'optimisation [Malchiodi, 2006b], l'apprentissage à vecteurs de support [Malchiodi et al., 2009b; Malchiodi et al., 2009a] et la validation de logiciels [Malchiodi, 2013a]. Le code développé est à la base des simulations décrites dans [Apolloni et al., 2007d; Apolloni et Malchiodi, 2006]. Enfin, [Malchiodi, 2010] présente une bibliothèque d'apprentissage automatique fondée sur un système de calcul scientifique open source.

Cet axe de recherche étudie la modélisation mathématique de situations de conflit au moyen d'une approche alternative à la théorie classique des jeux. Dans [Apolloni et al., 2006d; Apolloni et al., 2003e; Apolloni et al., 2002g; Apolloni et al., 2002c], des jeux opposant deux adversaires sont considérés, le conflit étant modélisé par l'approximation de la solution d'un problème NP-difficile. Le cadre de l'inférence algorithmique est utilisé pour déterminer comment répartir des ressources de calcul limitées entre les joueurs. [Apolloni et al., 2006c] étend cette approche aux jeux en équipe. Les applications en biologie sont décrites dans [Apolloni et al., 2007b; Apolloni et al., 2005d], tandis que [Apolloni et al., 2010b] utilise le modèle pour déterminer le temps de calcul à allouer à des algorithmes d'apprentissage fondés sur la minimisation locale de l'erreur.