Thèse Graphes de Connaissances et IA Neurosymbolique pour l'Analyse et Prediction du Comportement Exploratoire des Utilisateurs dans les Visualisations H/F - Doctorat.Gouv.Fr

Établissement : Université Côte d'Azur École doctorale : STIC - Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis Direction de la thèse : Catherine FARON ZUCKER ORCID 0000000159595561 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-03T23:59:59 Cette thèse de doctorat porte sur la modélisation et l'analyse de l'activité des utilisateurs dans les systèmes de visualisation interactive à l'aide de graphes de connaissances et d'apprentissage neurosymbolique. Il vise à établir des fondations interopérables pour la visualisation adaptative en transformant l'activité multimodale de l'utilisateur (p. ex. événements d'interaction, regard, traces de raisonnement) en représentations structurées et interprétables. La recherche développera des modèles sémantiques et des pipelines de construction de graphes de connaissances, et explorera des méthodes neurosymboliques pour découvrir, formaliser et affiner dynamiquement les schémas de comportement exploratoire. Ces modèles faciliteront l'extraction de règles et l'apprentissage incrémental pendant l'exploration, fournissant des informations interprétables et exploitables pour les systèmes de visualisation adaptative. Les résultats seront validés sur des scénarios d'analyse visuelle concrets. L'activité de l'utilisateur désigne toute information décrivant un utilisateur au cours de sa session d'interaction avec un système de visualisation, que ce soit par le biais d'interactions avec le système, de capteurs capturant des données biométriques ou de déclarations de l'utilisateur [1], étude qui occupe une place centrale dans le domaine de recherche de la provenance analytique [2]. L'étude de l'activité de l'utilisateur facilite l'évaluation des systèmes de visualisation, la validation des résultats analytiques, la recommandation de vues ou de tâches adaptées, entre autres [3]. Elle est particulièrement pertinente dans les contextes exploratoires, où les utilisateurs naviguent dans des ensembles de données volumineux et complexes sans objectifs prédéfinis et s'appuient souvent sur plusieurs vues complémentaires pour découvrir des motifs dans les données et extraire de la connaissance. Le volume et la diversité croissants des données et des techniques de visualisation exigent des paradigmes d'interaction flexibles, permettant aux utilisateurs de construire leurs propres flux de travail exploratoires. Par exemple, le système de visualisation eSTIMe [4], qui servira d'étude de cas pour ce travail, permet aux utilisateurs d'instancier dynamiquement des techniques de visualisation et d'assembler des tableaux de bord adaptés à la tâche à accomplir. Bien que puissante, cette flexibilité est limitée par le temps et l'expertise restreints dont disposent les utilisateurs pour une configuration efficace [5].

Il a été démontré que les caractéristiques des utilisateurs influencent la manière dont ceux-ci interagissent avec les visualisations, ce qui a des répercussions sur la précision, la rapidité et l'attention [6], renforçant ainsi la nécessité de disposer de visualisations adaptatives à l'utilisateur. Cependant, ces systèmes restent rares car ils requièrent une expertise couvrant plusieurs sous-domaines de la visualisation, notamment l'identification des caractéristiques des utilisateurs, la conception de l'adaptation et la sélection des interventions [1]. Malgré des travaux importants sur la capture et la visualisation des traces d'activité des utilisateurs, les représentations existantes sont généralement propriétaires ou ad hoc [3], ce qui limite le raisonnement automatisé, l'interopérabilité et la réutilisation à long terme. Les modèles actuels n'offrent qu'une couverture partielle du problème et ne parviennent pas à fournir une solution unifiée et basée sur des normes. Les graphes de connaissances (GC), fondés sur les normes du Web sémantique telles que RDF, RDFS et OWL, offrent une alternative prometteuse pour représenter l'activité des utilisateurs sous forme de données liées et riches sur le plan sémantique. Ces structures interopérables permettent une modélisation, une intégration, une interrogation et un raisonnement standardisés sur les modèles d'interaction, et prennent en charge des recommandations adaptatives, interprétables et assistées par l'IA. Plus précisément, l'adaptation assistée par l'IA, conçue comme un dialogue interactif entre le système et l'utilisateur, peut aider à guider les utilisateurs vers une utilisation plus efficace des outils de visualisation tout en préservant leur autonomie. La concrétisation de cette vision nécessite des interfaces prenant en charge la personnalisation pilotée par l'utilisateur, combinée à des mécanismes permettant au système d'observer, d'interpréter et d'agir en fonction de l'activité de l'utilisateur de manière contrôlée et responsable.

Le/la candidat.e idéal pour réaliser cette thèse de doctorat doit être titulaire d'un master en informatique et posséder une expertise dans les technologies du Web sémantique et l'IA neurosymbolique. Il/Elle doit être capable de mener des analyses documentaires scientifiques et d'appliquer des méthodologies de recherche. Il/Elle doit faire preuve d'autonomie, de curiosité et d'un bon esprit d'équipe pour travailler sur des projets interdisciplinaires, en particulier des études de cas appliquées.

Compétences techniques et niveau requis :
Ingénierie des connaissances (modélisation par ontologies RDF/OWL, conception et exploitation de graphes de connaissances), IA neurosymbolique, bases solides en apprentissage automatique et raisonnement symbolique, manipulation de données (Python, SPARQL).