Newsroom

Interaction multimodale humain-humain et humain-machine : prix du meilleur article ACM ICMI 2021

Une équipe constituée de chercheurs du LTCI/Télécom Paris/Institut Polytechnique de Paris et de l’ISIR/Sorbonne Université (CNRS) reçoit le prix du meilleur article lors de la conférence ACM ICMI 2021 à Montréal, Canada.
Cette équipe est composée de Lucien Maman, Laurence Likforman-Sulem, Giovanna Varni (Télécom Paris) et de Mohamed Chetouani (ISIR, Sorbonne Université).

L’article titré Exploiting the Interplay between Social and Task Dimensions of Cohesion to Predict its Dynamics Leveraging Social Sciences a été réalisé dans le cadre du projet ANR JCJC GRACE (ANR-18-CE33-0003-01) porté par Giovanna Varni et financé au titre du plan en faveur de l’Intelligence Artificielle.

La conférence ACM ICMI 2021, qui s’est tenue en hybride du 18 au 22 octobre 2021, est le premier forum international pour la recherche multidisciplinaire sur l’interaction multimodale humain-humain et humain-machine, les interfaces et le système de développement. La conférence aborde les fondements théoriques et empiriques, les technologies et les techniques de traitement multimodal qui définissent le domaine de l’analyse de l’interaction multimodale, de la conception d’interfaces et du développement de systèmes.

Résumé de l’article

Les états émergents sont des processus comportementaux, cognitifs et affectifs qui apparaissent parmi les membres d’un groupe lorsqu’ils interagissent ensemble. Au cours de la dernière décennie, le développement d’approches computationnelles a suscité un intérêt croissant pour la construction de systèmes centrés sur l’homme. Un tel développement est particulièrement difficile parce que certains de ces états ont plusieurs dimensions qui interagissent d’une manière ou d’une autre dans le temps.

Dans cet article, nous nous concentrons sur la cohésion, ses dimensions et leur interaction dans le temps. Il existe plusieurs définitions de la cohésion, elle peut être définie simplement comme la tendance d’un groupe à se serrer les coudes pour poursuivre des objectifs et/ou des besoins affectifs. Cette abondance de définitions a donné lieu à de nombreuses dimensions de cohésion différentes. Les dimensions “Sociale” et “Tâche” sont les plus étudiées, tant en Sciences Sociales qu’en informatique, car elles jouent toutes deux un rôle important dans un large éventail de contextes et de groupes. Cependant, à notre connaissance, aucun travail antérieur sur la prédiction de la dynamique de cohésion ne s’est concentré sur la façon dont ces deux dimensions interagissent. Nous nous appuyons sur les Sciences Sociales pour aborder cette question. En particulier, nous tirons parti de l’importance de la cohésion Sociale pour créer des relations flexibles et constructives afin de renforcer la dimension Tâche. Nous décrivons une architecture d’apprentissage profond pour prédire la dynamique de la dimension “Tâche” en appliquant l’apprentissage par transfert à partir d’un modèle pré-entraîné dédié à la prédiction de la dynamique de la cohésion Sociale. Notre architecture est évaluée par rapport à plusieurs modèles de base. Les résultats montrent qu’elle améliore significativement les prédictions de la dynamique de la dimension Tâche, confirmant les avantages de l’intégration des connaissances en Sciences Sociales dans les modèles computationnels.

Image d’entête source pch.vector/Freepik