Stage financé de Master de 4 à 6 mois - Marseille, DIMAG, LSIS, 
Aix-Marseille Université.

*/De la fouille de données d'interaction médecin-patient à un modèle
computationnel des feedbacks pour un patient virtuel /*

/Encadrement principal/ : Magalie Ochs (http://www.lsis.org/ochsm/)
(LSIS, DIMAG), Roxane Bertrand (LPL http://www.lpl-aix.fr/), Grégoire de
Montcheuil (LPL), et Philippe Blache (LPL).

/Financement /: Projet ANR Acorformed 
(http://www.lpl-aix.fr/~acorformed/index.html)

/Contexte du stage /

Le stage se déroule dans le cadre du projet ANR /Acorformed/qui vise à
développer une plateforme de réalité virtuelle pour former les médecins
à l'annonce d'évènements indésirables graves avec un patient virtuel. Un
des enjeux majeurs de ce projet est de développer un patient virtuel
capable de simuler le comportement d'un patient réel auquel on annonce
une mauvaise nouvelle. Dans ce contexte, le comportement non-verbal du
patient virtuel (mouvements de tête, expressions faciales, postures,
gestes, directions du regard, etc.) joue un rôle prépondérant pour
apporter de la crédibilité au personnage virtuel. L'objectif de ce stage
est de développer un modèle qui permettrait de déterminer à quel moment
le personnage virtuel devrait exprimer quel comportement non-verbal en
réponse au comportement du médecin.

/Sujet de stage /

L'objectif du stage est de développer un */modèle computationnel de
feedbacks pour un personnage virtuel/* qui permettrait de calculer
automatiquement et en temps réel les feedbacks que devait exprimer le
personnage virtuel suivant le comportement de l'utilisateur
(automatiquement détecté dans la plateforme de réalité virtuelle) et le
contexte de l'interaction. Les feedbacks se définissent comme des
réponses multimodales de celui qui écoute suite au message de
l'interlocuteur. Les feedbacks peuvent être verbaux (e.g. humhum, oui)
ou non-verbaux (e.g. mouvements de tête, sourire). Plusieurs travaux de
recherche dans le domaine des personnages virtuels montrent que les
feedbacks permettent d'améliorer la satisfaction et l'engagement de
l'utilisateur. Les feedbacks dépendent du contexte de l'interaction.
Dans le cadre de ce projet, il s'agira de déterminer automatiquement à
quel moment durant l'interaction avec le médecin, le patient virtuel
doit exprimer quel type de feedback.

/Méthodologie/

La méthodologie utilisée pour construire ce modèle reposera sur une
analyse de données réelles. En effet, un corpus de données
audiovisuelles a été collecté dans le cadre du projet ANR Acorformed. Ce
corpus regroupe 2 heures d'interaction entre un médecin et un acteur
jouant le rôle d'un patient à qui on annonce un évènement indésirable
grave. Ce corpus a été entièrement retranscrit et le comportement
non-verbal du médecin et du patient ont été annotés.L'objectif est
d'explorer ce corpus, et en particulier les relations temporelles entre
les signaux verbaux et non-verbaux du médecin (e.g. mouvements de tête,
direction du regard, vocabulaire médical complexe)et les signaux
non-verbaux du patient. Il s'agira par cette analyse de comprendre ce
qui déclenche les feedbacks (signaux verbaux et non-verbaux) du patient
(e.g. est-ce que un changement de direction de regard du médecin
implique un changement de regard du patient ?). Différents algorithmes
de « sequences mining » pourront être explorés pour extraire du corpus
les relations temporelles entre les signaux. Les mesures de qualité des
règles extraites pourront être exploitées pour développer un modèle
stochastique de génération de feedbacks.

/Compétences requises /

Le stagiaire devra à la fois avoir des connaissances techniques (Python,
éventuellement Java), des connaissances en fouille de données et en TAL,
et surtout une ouverture pluridisciplinaire.


Les dossiers de candidatures doivent contenir un CV détaillé, les notes
de Master ainsi qu'une lettre de motivation.

Le dossier est à envoyé à magalie.ochs(at)lsis.org