Optimisation des interactions homme-machine par l’approche Bayesian Information Gain
Cette ressource présente le framework Bayesian Information Gain (BIG), une approche mathématiquement fondée pour minimiser le nombre d’interactions entre l’humain et la machine tout en maximisant leur efficacité informationnelle. S’appuyant sur les principes de la conception expérimentale bayésienne, BIG formalise le problème de l’interaction comme un processus séquentiel d’acquisition d’information optimale sur l’objectif de l’utilisateur. Cette optimisation est particulièrement bénéfique pour les personnes en situation de handicap, pour lesquelles chaque interaction représente un coût significatif.
La ressource expose les fondements théoriques du BED (Bayesian Experimental Design) et leur adaptation au contexte interactif. Des extensions du framework sont également présentées pour assurer sa robustesse face aux erreurs utilisateurs, garantissant ainsi une expérience interactive fiable même dans des contextes d’utilisation réels. Cette approche ouvre des perspectives prometteuses pour la conception d’interfaces adaptatives minimisant l’effort utilisateur tout en maintenant l’efficacité de la communication homme-machine.
Contenu de la ressource :
- Introduction
- Bayesian Experimental Design: fondements théoriques
- Fondements conceptuels
- Formalisation mathématique
- Mise à jour bayésienne et distribution prédictive
- Critères d’utilité et optimisation du design
- Du BED au BIG : application à l’interaction homme-machine
- Variables aléatoires et notations
- Optimisation des interactions
- Extensions pour la robustesse aux erreurs utilisateurs
- Conclusion
