Mémoire de recherche documentaire, de terminologie et de … · 2016. 9. 28. · PDF Search...

Lucie VILLERD

Protocole de recherche documentaire sous la direction de Geneviève Bordet

Protocole de terminologie sous la direction de Patricia Pépin

Commentaire de traduction sous la direction d’Odile Dabonot

Mémoire de recherche documentaire, de

terminologie et de traduction

Traitement des émotions pour la création d’un jeu vidéo

avec adaptation de la difficulté

CHANEL, Guillaume, REBETEZ, Cyril, BÉTRANCOURT,

Mireille, et al. Emotion assessment from physiological

signals for adaptation of game difficulty. Systems, Man

and Cybernetics, Part A: Systems and Humans, IEEE

Transactions on, 2011, vol. 41, no 6, p. 1052-1063.

M2 ILTS 2014-2015

Option traduction spécialisée

Texte de traduction

Remerciements

Je tiens à remercier mes directrices de mémoire, Geneviève Bordet pour la recherche

documentaire, Patricia Pépin pour la terminologie et Odile Dabonot pour la traduction, pour

leur disponibilité et leur réactivité exceptionnelles au cours de cette année. Leurs retours

rapides m’ont permis d’appliquer des actions correctives très tôt dans l’année et de « baliser »

mon travail de manière efficace.

Je remercie également M. Chanel et M. Pun d’avoir donné leur accord pour la traduction

de ce texte et pris le temps de répondre à mes questions d’ordre terminologique. Leur

expertise et leur disponibilité m’ont été d’une aide précieuse au cours de ce travail.

3

Table des matières REMERCIEMENTS ------------------------------------------------------------------------------------------------------------- 2

PROTOCOLE DE RECHERCHE DOCUMENTAIRE ------------------------------------------------------- 5

I. CHOIX DU DOMAINE ------------------------------------------------------------------------------------------------------- 5

Qu’est-ce qu’un domaine ? ------------------------------------------------------------------------------------ 5 1.

Partir du domaine ou du texte ? --------------------------------------------------------------------------- 6 2.

La recherche du texte -------------------------------------------------------------------------------------------- 6 3.

II. CHOIX DU TEXTE ------------------------------------------------------------------------------------------------------------ 7

1. Présentation du texte -------------------------------------------------------------------------------------------- 7

2. Auteurs -------------------------------------------------------------------------------------------------------------------- 8

3. Structure et enjeux du texte ---------------------------------------------------------------------------------- 8

Domaines abordés ----------------------------------------------------------------------------------------------- 10 4.

Délimiter le micro-domaine -------------------------------------------------------------------------------- 12 5.

III. LA RECHERCHE DOCUMENTAIRE : CONSTITUTION DU CORPUS ----------------------------------------- 14

1. Un texte unique en son genre ----------------------------------------------------------------------------- 14

2. Le tri sélectif, un pléonasme particulièrement pertinent -------------------------------- 15

3. L’organisation ------------------------------------------------------------------------------------------------------ 16

IV. LE PAYSAGE DOCUMENTAIRE ---------------------------------------------------------------------------------------- 18

1. L’incidence de la terminologie sur la recherche documentaire ---------------------- 18

2. Composition du corpus ---------------------------------------------------------------------------------------- 20

CONCLUSION ---------------------------------------------------------------------------------------------------------------------- 22

PROTOCOLE DE TERMINOLOGIE ------------------------------------------------------------------------------- 24

I. CONCEPTS PRINCIPAUX AU SEIN DU MICRO-DOMAINE ----------------------------------------------------- 24

Jeux vidéo : une terminologie foisonnante -------------------------------------------------------- 24 1.

Concurrents ---------------------------------------------------------------------------------------------------------- 25 2.

Équivalents français -------------------------------------------------------------------------------------------- 26 3.

II. LES EQUIVALENTS EN STATISTIQUE ET EN APPRENTISSAGE AUTOMATIQUE ---------------------- 26

Deux domaines étroitement liés ------------------------------------------------------------------------- 26 1.

Équivalents français : des tendances contrastées -------------------------------------------- 26 2.

Formes développées et sigles ------------------------------------------------------------------------------ 29 3.

III. ARBORESCENCES --------------------------------------------------------------------------------------------------------- 30

Constitution des arborescences -------------------------------------------------------------------------- 30 1.

Arborescence en anglais ------------------------------------------------------------------------------------- 32 2.

Arborescence en français ------------------------------------------------------------------------------------ 36 3.

IV. COMMENTAIRE SUR LES COLLOCATIONS GENERIQUES ---------------------------------------------------- 40

4

Future work will focus on sth ----------------------------------------------------------------------------- 40 1.

To gather increasing interest ----------------------------------------------------------------------------- 40 2.

Pioneering work --------------------------------------------------------------------------------------------------- 41 3.

To open the path to sth --------------------------------------------------------------------------------------- 42 4.

To our knowledge ------------------------------------------------------------------------------------------------ 42 5.

CONCLUSION ---------------------------------------------------------------------------------------------------------------------- 43

COMMENTAIRE DE TRADUCTION ------------------------------------------------------------------------------ 44

I. CARACTERISTIQUES DU TEXTE A TRADUIRE ------------------------------------------------------------------- 44

Choix de la partie à traduire. ------------------------------------------------------------------------------ 44 1.

Public visé ------------------------------------------------------------------------------------------------------------- 45 2.

II. DIFFICULTES DE TRADUCTION -------------------------------------------------------------------------------------- 45

Temps et modes ---------------------------------------------------------------------------------------------------- 45 1.

Genre --------------------------------------------------------------------------------------------------------------------- 47 2.

Sigles et acronymes --------------------------------------------------------------------------------------------- 48 3.

Répétitions ------------------------------------------------------------------------------------------------------------ 50 4.

Reformulations ----------------------------------------------------------------------------------------------------- 52 5.

Organisation des blocs de sens --------------------------------------------------------------------------- 54 6.

Explicitation : le cas de flow ------------------------------------------------------------------------------- 55 7.

CONCLUSION ---------------------------------------------------------------------------------------------------------------------- 56

III. TRADUCTION ALIGNEE ------------------------------------------------------------------------------------------------- 58

ANNEXES --------------------------------------------------------------------------------------------------------------------------- 87

EXPERTS CONSULTES ---------------------------------------------------------------------------------------------------------- 87

EXTRAITS DES CONVERSATIONS AVEC L’EXPERT ------------------------------------------------------------------- 88

TERMES TRAITES DANS ARTES ------------------------------------------------------------------------------------------ 91

BIBLIOGRAPHIE DE TERMINOLOGIE ------------------------------------------------------------------------------------- 93

BIBLIOGRAPHIE SELECTIVE POUR LA RECHERCHE DOCUMENTAIRE ---------------------------------------- 94

Anglais ------------------------------------------------------------------------------------------------------------------------- 94

Français ----------------------------------------------------------------------------------------------------------------------- 98

GLOSSAIRE D’AIDE A LA TRADUCTION EN>FR (EXPORT ARTES) ---------------------------------------101

GLOSSAIRE D’AIDE A LA TRADUCTION FR>EN (EXPORT ARTES) ---------------------------------------109

TEXTE SOURCE ------------------------------------------------------------------------------------------------------------------117

5

Protocole de recherche documentaire

Note : les termes en gras souligné ont été traités en fiches longues dans la base ARTES. Les

termes en gras ont fait l’objet de fiches courtes ou fiches glossaire. Cliquez sur les

termes en bleu pour obtenir davantage d’informations. La liste complète des termes

traités dans la base ARTES figure dans les Annexes.

I. Choix du domaine

Qu’est-ce qu’un domaine ? 1.

Diplômée d’un master de traduction juridique et commerciale (Université Jean Moulin

Lyon III & Monash University, Australie), je me suis inscrite dans cette formation pour

bénéficier d’enseignements plus pragmatiques et plus variés que ceux de mon précédent

cursus. Ce précédent diplôme m’a néanmoins permis de commencer réfléchir aux domaines

dans lesquels je souhaiterais me spécialiser (en procédant par élimination). Ayant toujours eu

plus d’affinités avec la traduction rédactionnelle qu’avec la traduction technique, je savais en

septembre que ce travail de traduction (et de terminologie, cette nouvelle discipline obscure

qu’aucun enseignant n’avait mentionnée dans mon précédent master) représenterait un défi

considérable. Puisqu’il était recommandé de choisir un texte très technique, très dense et très

riche du point de vue traduction et terminologie, je suis partie du principe qu’il me fallait un

texte appartenant à un domaine qui me passionne.

Après quelques jours de mise niveau intense en terminologie, la panique s’installe

dans la tête des néophytes. Domaines, sous-domaines, hyponymes, concurrents… autant de

concepts qu’il va falloir comprendre et maîtriser pour mener bien cette traduction, mais pas

seulement. La traduction ne représente finalement qu’un tiers du travail accomplir. Fébrile, je

me suis donc mise en quête d’un texte dont le domaine principal en interaction avec d’autres

domaines connexes me permettrait de réaliser un travail terminologique intéressant.

Instinctivement, j’ai pensé l’une de mes grandes passions : le jeu vidéo.

6

Partir du domaine ou du texte ? 2.

Comment procéder à partir de ce point ? Le jeu vidéo est un domaine extrêmement

vaste. Mes premières recherches sur Google ou PDF Search Engine m’ont un peu démoralisée :

en effet, il existe une multitude de documents grand public sur les jeux vidéo. C’est avant tout

un support de divertissement, qui n’a commencé être étudié que très tard. En persistant dans

mes recherches, je me suis rendu compte que la majeure partie des textes spécialisés traitant

des jeux vidéo s’intéressaient en premier lieu l’aspect psychologique, en particulier à

l’éternelle question : les jeux vidéo nous rendent-ils plus violents ? Avec en moyenne un article

publié sur ce sujet surgissant sur mon fil d’actualité chaque semaine, je ne souhaitais

absolument pas travailler sur cet aspect.

Perdue à la 53e page de résultats de ma recherche « video+games » sur

PDF Search Engine, j’ai trouvé une étude proposant un algorithme qui permettait d’ajuster en

temps réel la difficulté d’un jeu vidéo en fonction de la performance du joueur (barre de vie,

inventaire, nombre d’échecs un niveau donné). Me souvenant de mes déboires dans certains

jeux ayant adopté ce système de « difficulté adaptive » (sic. Certains préfèrent « adaptative »,

tout de même plus correct), j’étais curieuse de comprendre le fonctionnement de tels

algorithmes. En ouvrant le document, la multitude d’équations mathématiques et de matrices

statistiques m’ont confirmé que j’avais trouvé un sous-domaine digne d’intérêt. C’est

finalement grâce à ce texte (malheureusement trop vieux pour être traduit dans le cadre de ce

mémoire) que j’ai pu affiner mes recherches.

La recherche du texte 3.

Profitant de cette épiphanie, j’ai fait mes premières recherches sur Google

(PDF Search Engine est finalement peu convivial et assez désagréable à utiliser). En utilisant

les mots-clés cités au début du texte mentionné plus haut, j’ai été confrontée mes premières

difficultés : la majeure partie des textes dataient d’avant 2011, ou étaient trop courts par

rapport aux métriques indiquées dans les consignes du mémoire.

N’étant en aucun cas experte du domaine, j’ai dû éplucher les résultats de recherche

Google un à un, un procédé extrêmement chronophage. En effet, de nombreux résultats de mes

recherches sur « adaptive difficulty » (difficulté adaptative) et « dynamic difficulty

7

adjustment » étaient des fils de discussion lancés par des joueurs sur les forums des grands

développeurs (notamment Bioware), qui ne m’étaient d’aucune utilité pour le moment (je m’en

suis servie plus tard dans le cadre de mes recherches terminologiques). J’ai donc préféré

Google Scholar, qui m’a permis d’écrémer ces résultats. Je n’ai finalement pas eu besoin

d’autres plateformes que celle-ci, car les expériences et les études réalisées dans ce domaine

sont en général effectuées au sein des départements informatiques des universités, qui

publient ensuite ces documents sur leurs sites.

Pour diversifier ce processus de recherche, j’ai également passé beaucoup de temps à

examiner les références des textes qui ne correspondaient pas aux consignes (date ou

longueur). Cela m’a permis de trouver de nouveaux textes relativement proches des domaines

que je souhaitais aborder. C’est grce cette approche que j’ai découvert un autre domaine de

plus en plus étudié dans les jeux vidéo : les émotions. L’étude des émotions dans le domaine

informatique est appelée en anglais affective computing (informatique affective), et a pour

but de transformer la manière dont nous interagissons avec les machines. En effectuant

quelques recherches, tout d’abord sur IEEE (la liste des références sur la page d’un article est

une fonction particulièrement utile) puis sur Scholar, j’ai trouvé une multitude de textes

relevant de la pure science-fiction. Mon choix était fait : il me fallait un texte combinant jeux

vidéo, ajustement de la difficulté et informatique affective.

II. Choix du texte

1. Présentation du texte

Chanel, G., Rebetez, C., Bétrancourt, M., & Pun, T. (2011). Emotion assessment from physiological

signals for adaptation of game difficulty. Systems, Man and Cybernetics, Part A: Systems and Humans,

IEEE Transactions on, 41(6), 1052-1063.

En parcourant la liste de références d’un texte publié par IEEE, je suis tombée sur le

« Graal », un texte assez long qui rassemblait tous les concepts que je souhaitais aborder. Après

quelques recherches, j’ai trouvé une version gratuite sur le site de l’Université de Genève, très

active dans le domaine de l’informatique affective.

8

La revue dans laquelle ce texte a été publié appartient à la System, Man and Cybernetics

Society, qui s’intéresse aux interactions entre l’homme et les machines. L’association détaille sa

mission ainsi :

Development of systems engineering technology including problem definition methods, modeling, and simulation, methods of system experimentation, human factors engineering, data and methods, systems design techniques and test and evaluation methods.

Integration of the theories of communication, control, cybernetics, stochastics, optimization, and system structure towards the formulation of a general theory of systems.

Application at hardware and software levels to the analysis and design of biological, ecological, socio-economic, social service, computer information, and operational man-machine systems.1

2. Auteurs

Les auteurs de mon texte sont tous francophones : il aurait certes été préférable de

choisir un texte écrit par des anglophones, mais je n’ai pas réussi en trouver un assez récent

dans le même domaine. J’ai d’ailleurs observé une tendance intéressante pendant mes

recherches : la première grande vague de travaux sur le jeu vidéo et l’ajustement de la difficulté

provient en majorité des pays anglophones, mais les recherches actuelles sont à 90 % écrites

par des non-anglophones. J’ai d’ailleurs dû, mon grand regret, passer outre des études

extrêmement intéressantes mais écrites dans un anglais relevant du pidgin. Même si ce texte a

été écrit par des francophones, la qualité de l’anglais reste plus que correcte. Bon nombre de

ces auteurs, et notamment M. Chanel, mon expert (coordonnées en annexe), publient d’ailleurs

régulièrement de nouvelles recherches exclusivement en anglais. Tous ont étudié ou travaillé

au département informatique de l’Université de Genève.

3. Structure et enjeux du texte

Le texte est un compte-rendu d’une étude réalisée l’Université de Genève. Son

organisation suit donc le déroulement d’un protocole expérimental : description des objectifs,

de l’organisation de l’étude, étapes du processus, conclusion. L’objectif des auteurs est de

déterminer s’il serait possible d’exploiter les émotions humaines pour ajuster en temps réel la

difficulté d’un jeu. Comme mentionné plus haut, les algorithmes actuels d’ajustement de la

1 « About SMCS ». IEEE SMC. http://www.ieeesmc.org/about-smcs (consulté le 14 juin 2015)

http://www.ieeesmc.org/about-smcs

9

difficulté ne prennent en compte que la compétence du joueur (c’est-à-dire ce qui se passe à

l’intérieur du jeu).

Dans cette expérience, les émotions sont mesurées l’aide de signaux physiologiques

(électroencéphalogramme, pression sanguine, fréquence cardiaque, etc.) collectés par des

instruments de mesure raccordés l’ordinateur. Les joueurs remplissent également des

formulaires d’auto-évaluation à la fin de chaque session de jeu. Une fois les premières données

collectées, les auteurs appliquent des algorithmes de classification statistique pour attribuer

trois catégories d’émotions aux données : l’ennui, l’engagement et l’anxiété. Ainsi, x valeur de

la pression sanguine correspondra à une catégorie, et y valeur correspondra à une autre

catégorie. Une fois les données classées, les auteurs doivent identifier les algorithmes les plus

performants et les plus précis pour l’identification des émotions. Les données sont donc

divisées en plusieurs ensembles, certains réservés l’apprentissage des algorithmes et d’autres

mis de côté pour les tests. C’est sur cette partie du texte que j’ai décidé de travailler car c’est la

plus intéressante du point de vue terminologique : en effet, les parties précédentes se

concentrent respectivement sur les domaines physiologique et statistique. Une fois entraînés,

les algorithmes les plus performants sont fusionnés et intégrés au jeu. Le nouveau joueur n’a

plus qu’ s’équiper du matériel, enregistrer son activité physiologique pendant une minute, et

le jeu est prêt l’emploi. Le dispositif utilisé pour mesurer l’activité physiologique est similaire

à cet équipement :

© Université de Genève

10

Ainsi, lorsque le joueur commence s’ennuyer du fait du manque de difficulté, le jeu

s’adapte immédiatement en augmentant la difficulté. Inversement, si le joueur est frustré et

commence s’énerver, le jeu réduit la difficulté. L’objectif des algorithmes est de maintenir

l’engagement de l’utilisateur, pour une expérience de jeu aussi divertissante que possible. Mon

expert m’a d’ailleurs fait savoir que le jeu adaptatif testé dans cette étude est actuellement

visible l’exposition temporaire « Émotions : une histoire naturelle » à Neuchâtel.

Domaines abordés 4.

Les neurosciences touchent une multitude de domaines distincts : la biologie, la

psychologie, la médecine, l’informatique, et bien d’autres. Elles peuvent être divisées en

plusieurs sous-disciplines, les plus connues du grand public étant les neurosciences cognitives

(le rôle du cerveau dans le processus cognitif), la neurologie et la neuropsychologie (incidence

de l’activité cérébrale sur les émotions et l’intelligence). Dans le texte, l’enjeu est d’étudier le

système nerveux central (le cerveau) et périphérique dans le but de reconnaître les émotions :

on a donc affaire à la neuropsychologie. Comme le montre l’image ci-dessus, les appareils de

mesure sont directement reliés l’ordinateur : c’est ce que l’on appelle une interface cerveau-

machine (brain-computer interface). L’étude de ces interfaces est en plein essor aujourd’hui, et

il est même possible d’acheter des casques capables de mesurer l’activité cérébrale pour usage

personnel à moins de 500 dollars.

Le casque EPOC fabriqué par EMOTIV (399/499 $)

11

La statistique est une science mathématique ayant pour but de rassembler, d’interpréter

et de présenter des données de manière compréhensible. Elle est utilisée dans tous les

domaines et tous les secteurs d’activités : économie, secteur public, milieux scientifiques,

marketing, etc. Dans le cadre d’études scientifiques, la statistique permet d’interpréter les

données rassemblées et de les visualiser l’aide notamment de matrices, d’histogrammes et de

tableaux.

Matrice de confusion2

L’apprentissage automatique est une discipline scientifique consacrée l’étude, au

développement et l’application de méthodes automatisables qui permettent aux machines

(notamment les ordinateurs) d’effectuer des tches automatiquement tout en « apprenant » :

elles évoluent chaque nouvelle tche. C’est une discipline en plein essor dont les applications

se multiplient : reconnaissance (écriture, voix, expressions faciales), analyse de données (data

mining, marchés boursiers), logiciels, jeux vidéo, marketing, etc. Grce l’apprentissage

automatique, certains progiciels de gestion intégrée (Enterprise Resource Planning) sont par

exemple capables d’enregistrer les données de chaque employé d’une entreprise, et de

proposer des recommandations de formation ou des avertissements en fonction de la

performance professionnelle.

Il existe plusieurs types d’apprentissage automatique dont les applications sont

différentes. Dans le texte, les auteurs utilisent l’apprentissage automatique supervisé : ce type

d’apprentissage est utile lorsque les catégories, ou classes auxquelles les données doivent être

attribuées sont déj définies. Au début du protocole de recherche, les auteurs expliquent qu’ils

ont défini trois émotions et trois niveaux de difficulté de jeu avant de procéder à la

classification et l’entraînement des algorithmes d’apprentissage automatique. Par opposition,

l’apprentissage non supervisé (ou classification automatique) ne fait intervenir aucune classe 2 CHANEL, Guillaume, REBETEZ, Cyril, BÉTRANCOURT, Mireille, et al.Emotion assessment from

physiological signals for adaptation of game difficulty. Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, 2011, vol. 41, no 6, p. 1052-1063.

12

prédéfinie. C’est l’algorithme lui-même qui va identifier les catégories et les motifs au sein des

données.

L’informatique englobe ici l’apprentissage automatique effectué l’aide d’un

ordinateur, et le jeu vidéo (Tetris) utilisé par les participants lors de l’étude. Tout comme les

neurosciences, c’est un domaine pluridisciplinaire qui recoupe la plupart des concepts abordés

dans le texte choisi. En tenant compte de l’étude dans son ensemble et en reformulant son

objectif de manière synthétique (exploiter les émotions pour améliorer l’interaction avec un

produit informatique), on peut regrouper tous les domaines et sous-domaines du texte sous le

terme générique informatique affective. Cette discipline a pour but d’étudier et de

développer des outils et des méthodes permettant aux machines de reconnaître, de synthétiser

et de traiter les émotions humaines : on y retrouve donc les neurosciences, les sciences

cognitives, l’apprentissage automatique et l’informatique. L’informatique affective a

notamment rendu possible le développement de robots capables d’interagir avec des humains

et de reproduire leur comportement et leurs expressions.

Délimiter le micro-domaine 5.

Pour faciliter mon travail de recherche, j’ai construit une représentation visuelle des notions

présentes dans mon texte :

13

En début d’année, je pensais avoir affaire trois principaux domaines : la classification

statistique, les neurosciences et l’adaptation de la difficulté. Comme la partie du texte que

j’avais choisie traitait principalement des méthodes et outils de classification, je pensais, à tort,

que mon sous-domaine devait porter exclusivement sur la classification statistique. Au cours

de mon premier jet de traduction, je me suis rendu compte que le domaine que j’avais (par

erreur) identifié comme la statistique dans ma partie était en réalité un autre domaine,

l’apprentissage automatique. Les deux concepts font en effet appel des calculs et des

algorithmes identiques. C’est la présence de mots clés comme « train » (entraîner) qui m’a

permis de rectifier le tir au niveau de mes recherches documentaires et terminologiques.

En examinant le texte dans son ensemble, j’ai découvert que l’aspect jeu vidéo était finalement

l’un des moins importants : les enjeux du texte touchent avant tout les neurosciences (avec la

physiologie des émotions) et l’apprentissage automatique (entraînement d’algorithmes), deux

concepts clés du domaine de l’informatique affective, dont l’objectif est de reconnaître et

exploiter les émotions l’aide de machines. L’application n’est finalement pas un facteur

essentiel : on pourrait appliquer les algorithmes étudiés à des formations en ligne, à des robots,

etc. J’ai donc remanié mon diagramme pour inclure ces nouvelles notions :

Ce diagramme de Venn m’a permis de faire la liste des grands domaines abordés dans le texte :

la psychologie, les neurosciences, la statistique et l’informatique. Tous les domaines et sous-

14

domaines présentés dans cette figure interviennent dans l’informatique affective. À ce stade, il

me fallait formuler clairement mon domaine d’étude pour la terminologie et la base ARTES. Je

souhaitais garder l’apprentissage automatique au cœur de ma problématique en affinant mon

sujet (car mon sous-domaine initial était beaucoup trop vaste). Même si je ne traduisais qu’une

partie du texte, il fallait que le sous-domaine tienne compte de tous les domaines abordés dans

le reste du document. Sur les conseils de ma directrice de mémoire pour la terminologie, j’ai

choisi de formuler mon sous-domaine l’aide du terme « traitement », qui englobe à la fois les

neurosciences (théorie cognitive, mesure de l’activité physiologique) et les méthodes ou outils

informatiques/statistiques qui permettent de les exploiter dans le cadre de cette expérience :

Le traitement des émotions pour la création d’un jeu avec ajustement de la difficulté.

Ce domaine me permet donc d’aborder les concepts fondamentaux de la partie du texte que j’ai

choisi de traduire : l’aspect psychologique sous l’angle des neurosciences, et sa potentielle

application l’apprentissage automatique dans le cadre de la programmation. Satisfaite de cet

espace bien délimité, j’ai rapidement perdu mon enthousiasme en remplissant mes premières

fiches ARTES.

Ce micro-domaine étant extrêmement spécifique, la classification d’un point de vue

documentaire a été assez ardue dans la base ARTES. Pour les termes relevant de

l’apprentissage automatique, j’ai par exemple dû combiner la statistique et l’informatique. Pour

la terminologie des jeux vidéo, j’ai utilisé l’informatique et la catégorie « divertissement », car il

n’existe pas non plus de libellé dédié ce domaine. Comme le montre le diagramme ci-dessus,

chaque sous-domaine est en interaction avec d’autres domaines : c’est un phénomène très

intéressant en terminologie, mais cauchemardesque sur le plan documentaire.

III. La recherche documentaire : constitution du corpus

1. Un texte unique en son genre

Une fois le choix de texte validé, il est temps de se lancer dans la recherche de corpus.

C’est ce moment que j’ai compris quel point mon texte était spécifique : en recherchant des

documents portant sur le même genre d’études, j’ai été confrontée un manque cruel de

15

résultats. Les textes portant sur les émotions, les jeux vidéo et l’apprentissage automatique

sont extrêmement rares. J’ai donc adapté mes recherches en essayant différentes combinaisons

de sous-domaines que j’avais intégrés mon diagramme ci-dessus. J’ai par exemple recherché

des textes avec physiological signals et emotions, machine learning et emotions, difficulty

adjustment et machine learning, etc.

2. Le tri sélectif, un pléonasme particulièrement pertinent

Grce cette nouvelle méthode de recherche, j’ai pu amasser un nombre assez

conséquent de documents, sans vraiment faire de tri car il fallait constituer un corpus aussi

rapidement que possible. Pour les domaines plus scientifiques comme les neurosciences et

l’informatique affective, l’alliance IEEE-Google Scholar est restée ma méthode de choix. Pour le

domaine des jeux vidéo, j’ai découvert des phénomènes terminologiques intéressants sur les

sites des développeurs et sur les forums de joueurs (notamment quelques barbarismes comme

« difficulté adaptive »).

Une fois le matériel amassé vient l’heure du tri. J’ai commencé par renommer mes

fichiers avec le nom de l’auteur, la date et les abréviations des principaux concepts du texte (p.

ex. CLA = classification ML = machine learning, EM = emotions, AC = affective computing). Ayant

délimité mon sous-domaine de recherche sur le tard, j’avais commencé chercher une majorité

de textes portant sur ce que je pensais être mon domaine principal : la classification dans le

cadre de l’apprentissage automatique. Grce ce système d’abréviations, je me suis rendu

compte qu’il fallait équilibrer le corpus en termes de domaines, même si la terminologie de la

statistique et de l’apprentissage automatique était l’un des thèmes majeurs dans la partie du

texte que j’avais choisi de traduire (par opposition par exemple à la terminologie du jeu vidéo).

Manquant de temps pour la constitution du corpus, j’ai privilégié les textes figurant dans les

références de mon article. L’auteur principal de mon texte a également publié un certain

nombre de travaux exclusivement en anglais, mais j’ai choisi de ne pas les inclure dans mon

corpus, car ils traitent sensiblement des mêmes enjeux et la phraséologie est identique. Utiliser

ces textes pour valider des choix de traduction ou de terminologie ne serait pas une bonne

approche : il est nécessaire de comparer le texte d’autres documents écrits par des auteurs

différents.

16

J’ai malheureusement dû me débarrasser d’environ 30 % de mon corpus anglais initial :

de nombreux textes, bien que publiés dans des revues ou sur les sites des universités, étaient

rédigés dans un anglais quasiment incompréhensible. Comment faire confiance à de tels

documents ? Comment peut-on être sûr que la terminologie qu’ils emploient est exacte ? J’ai

éliminé les textes de moins bonne qualité, mais je retrouve parfois encore des perles dans

Antconc. Il semble que certains auteurs soignent particulièrement l’abstract et les premiers

paragraphes du texte au détriment du reste du document. Il serait donc plus avisé de parcourir

rapidement ces textes en « échantillonnant » (relire quelques lignes au début, au milieu et à la

fin du texte). En adoptant cette approche dès le départ, j’aurais perdu moins de temps à trier

mon corpus anglais.

3. L’organisation

De nature désorganisée, je me suis rendu compte ce stade qu’il me fallait absolument

réorganiser mon travail de recherche et de classement. Une fois le tri préliminaire de mes

documents effectué, je les ai catalogués dans un fichier Excel (un procédé chronophage lorsque

l’on doit ranger 40 documents en une fois), toujours avec mes abréviations de domaines pour

m’y retrouver plus facilement : il me suffit d’une recherche pour voir tous les documents

correspondant à x domaine.

Tableau Excel des textes du corpus EN

EEG_CLA_Larsen_2011

Classification of EEG Signals in a Brain-Computer Interface

System Thèse EEG, CLA 15309

http://ntnu.diva-

portal.org/smash/get/diva2:440513/FULLTEXT0

1.pdf

EEG_CLA_Lotte_2007

A article of Classification Algorithms for EEG-based Brain-

Computer Interfaces article EEG, CLA 5773 http://iopscience.iop.org/1741-2552/4/2/R01

EEG_EM_BCI_Kvaale_201

2 Emotion Recognition in EEG Thèse EEG, EM, BCI 25706

http://www.diva-

portal.org/smash/get/diva2:566256/FULLTEXT0

1.pdf

EEG_McMahan_2014

Modality Specific Assessment of Video Game Player's

Cognitive Workload Using Off-the-Shelf

Electroencephalographic Technologies

rapport

technique EEG 4167 https://larc.unt.edu/techreports/LARC-2014-03.pdf

EEG_Nacke_2010

Electroencephalographic Assessment of Player Experience: A

Pilot Study in Affective Ludology article EEG 7951

http://hciweb.usask.ca/uploads/192-

Simulation-Gaming-2010-Nacke.pdf

EM_AC_Chanel_2009

Emotion assessment for affective computing based on brain

and peripheral signals Thèse EM, CLA 8054 http://archive-ouverte.unige.ch/unige:4708

EM_Axelrod_2009 EMOTIONAL RECOGNITION IN COMPUTING Thèse EM 90518 http://bura.brunel.ac.uk/handle/2438/5758

EM_Chanel_2005

Emotion Assessment: Arousal Evaluation Using EEG's and

Peripheral Physiological Signals article EM 2923

http://citeseerx.ist.psu.edu/viewdoc/downloa

d?doi=10.1.1.72.6661&rep=rep1&type=pdf

EM_CLA_EEG_Nie_2011 EEG-based Emotion Recognition during Watching Movies article EM, CLA, EEG 2629

http://bcmi.sjtu.edu.cn/~blu/papers/2011/EEG-

Based%20Emotion%20Recognition%20During%

20Watching%20Movies.pdf

17

Du fait de ma méthode de recherche mentionnée plus haut (combinaisons plus ou moins

aléatoires de sous-domaines), j’ai consulté un nombre incalculable de documents. Je n’aurais

jamais pu tous les enregistrer, c’est pourquoi je n’ai conservé que ceux qui convenaient pour

mon corpus. Les interactions entre tous mes sous-domaines sont certes intéressantes, mais

rendent le travail de recherche ardu : je me suis rendu compte plusieurs fois que je « tournais

en rond », car différentes équations de recherche me proposaient les mêmes documents. J’ai

donc déprogrammé le nettoyage automatique de mon cache et de mon historique de

navigateur, ce qui me permet de savoir si j’ai déj visité une page (en violet) ou non (en bleu)

sur Google. Cela peut paraître extrêmement simple, mais c’est une astuce qui m’a permis

d’économiser des heures de travail en début d’année.

Je me suis également constitué un petit document pour rassembler tous les concurrents

apparaissant dans mes recherches. La terminologie du jeu vidéo est très sujette à ce

foisonnement terminologique : pour dynamic difficulty adjustment, mon terme vedette, on

trouve également adaptive difficulty, dynamic game balancing, et bien d’autres encore. Cette

richesse de termes permet d’accéder beaucoup plus de documents, aussi bien en anglais

qu’en français. Par exemple, si la recherche « emotions + dynamic diffculty adjustment » ne

renvoie que 2 résultats, pourquoi ne pas essayer « adaptive difficulty + emotions » ? Ces

concurrents m’ont permis de découvrir de nouveaux textes pour mon corpus et mon travail

terminologique : finalement, si une recherche ne renvoie que peu de résultats, peut-être qu’il

existe un concurrent plus souvent utilisé dans le domaine étudié.

Enfin, je conseillerais à tout étudiant de bien choisir le type de référence

bibliographique utiliser dans la base ARTES. J’avais commencé par utiliser un format hybride

APA-ISO 690, plus lisible dans la base (on lit mieux les noms d’auteurs en majuscules) mais qui

me forçait à modifier les formats suggérés par Google Scholar. Pour une meilleure lisibilité, je

pense que le format ISO 690 est le plus lisible. En s’y tenant dès le début, pas besoin de taper la

référence à la main, il suffit de la coller dans ARTES.

18

IV. Le paysage documentaire

1. L’incidence de la terminologie sur la recherche documentaire

La multitude de sous-domaines abordés dans mon texte se traduit par un paysage

documentaire extrêmement contrasté, en particulier pour les domaines liés l’informatique.

Jeux vidéo : j’étais au départ surprise de ne trouver qu’une poignée de textes de

recherche concernant les jeux vidéo, mais comme mentionné plus haut, je me suis rapidement

aperçue que c’est un domaine où la terminologie n’est absolument pas contrôlée. Chacun peut

écrire une étude en inventant de nouveaux termes ou en utilisant un terme inventé dans un

texte antérieur. Ce phénomène est certainement dû au caractère relativement nouveau du jeu

vidéo en tant que discipline académique. Les textes qui m’ont aiguillée vers mon sous-domaine

au début de mes recherches datent en effet des années 2000. Aujourd’hui, le nombre d’études

portant sur les jeux ne fait que croître, témoignant du succès de ce support, aussi bien pour le

divertissement qu’ des fins éducatives (on s’intéresse de plus en plus aux jeux « sérieux » dans

le cadre de la formation). Dans le cadre d’un projet de recherche comme celui-ci, il faudra faire

la distinction entre les mots-clés concurrents existants : selon les termes employés, on ne

trouve pas les mêmes types de documents. Prenons l’exemple de l’un des concepts centraux de

mon texte : les concurrents dynamic game balancing et dynamic difficulty adjustment

(adaptation/ajustement dynamique de la difficulté) permettent de trouver des documents

académiques, alors que le synonyme parfait adaptive difficulty (difficulté adaptative/adaptive)

est plutôt utilisé par les développeurs et les joueurs. Dans les deux cas, les personnes qui

utilisent ces termes sont des « experts » du domaine, mais choisissent une terminologie

différente pour décrire des concepts identiques. C’est une tendance qu’il est essentiel de

prendre en compte selon le type de document traduit et sa visée (si le texte de mémoire était à

traduire pour un public de joueurs averti, j’aurais par exemple préféré le terme « difficulté

adaptative »).

Comme je m’y attendais, il a été extrêmement difficile de trouver des textes français

portant sur cet aspect des jeux vidéo. La plupart des grands développeurs de jeux vidéo sont en

effet basés dans des pays anglophones, et même les studios non anglophones communiquent

majoritairement en anglais, langue principale du marché du jeu vidéo. Il serait intéressant

d’examiner les statistiques des nationalités des joueurs dans le monde entier, mais je pense

néanmoins que le public français ne figure pas parmi les principaux consommateurs de jeux

19

vidéo. Cela pourrait aussi expliquer la multitude de travaux de recherche en anglais (en tenant

bien sûr compte des auteurs non anglophones écrivant en anglais) et le manque d’études

réalisées en France. Dans les régions où le jeu vidéo figure parmi les divertissements les plus

populaires, il est naturel que les scientifiques s’intéressent ce support de plus près.

Statistique et apprentissage automatique : avec l’apprentissage automatique, la

statistique a été l’un de mes principaux domaines de recherche. Les contrastes entre le français

et l’anglais sont très intéressants du point de vue chronologique. En français, j’ai en effet trouvé

une grande quantité de documents étudiant la classification écrits dans les années 1990. La

terminologie utilisée dans ces documents était en majorité française (noms d’algorithmes, de

techniques, etc.). En revanche, au cours des années 2000, les documents mentionnant de

nouveaux outils (en général présentés dans des documents en anglais) ne comportaient pas de

traductions en français. Certains noms d’algorithmes employés dans mon texte n’ont par

exemple aucun équivalent français : les experts francophones du domaine préfèrent utiliser

des sigles et noter la forme développée d’un terme dans la liste des abréviations de leurs

travaux. Intriguée par ce phénomène, j’ai demandé l’avis de mon expert principal (voir

Annexes). Il explique que ces disparités terminologiques reposent sur différents facteurs :

- la nouveauté de l'algorithme (si il est nouveau la traduction n'existe pas encore et les informaticiens sont un peu hesitants à traduire); - l'utilisation de l'algorithme (un algorithme ancien mais peu utilisé ne sera probablement que peu traduit); - la facilité de la traduction (notament en regard de la possibilité de cumuler les qualificatif en anglais); - le fait que nous parlons de plus en plus anglais dans la recherche (en tout cas en informatique).

Comme l’apprentissage automatique fait appel de nombreux outils statistiques, le

phénomène est identique dans les travaux de recherche en français. À l’image des tendances

terminologiques observées dans le cas des jeux vidéo, cet aspect a grandement influencé mon

approche de recherche : j’ai en effet perdu énormément de temps chercher des équivalents

français pour mes candidats-termes avant de me rendre compte qu’il n’existait tout bonnement

aucun équivalent recevable (à part quelques propositions de traductions douteuses dans des

documents peu fiables). Armé de ces connaissances, le néophyte pourrait gagner un temps

précieux et orienter son travail de recherche correctement dès le départ.

Face au foisonnement de concurrents et de termes sans équivalents, je me suis appuyée

sur de nombreux cours de statistique et d’apprentissage automatique mis en ligne sur les sites

20

de plusieurs universités françaises et américaines (détaillés dans la bibliographie sélective).

C’est dans ce type de document que j’ai pu trouver la plupart des contextes définitoires pour

mes fiches, ou, défaut, des explications précieuses qui m’ont permis de comprendre les

concepts et de formuler mes propres définitions. J’ai également récolté des glossaires

unilingues et bilingues de la terminologie statistique issus de sources variées, notamment

l’Éducation nationale, les universités, les associations de statisticiens, voire des entreprises de

data mining.

2. Composition du corpus

En anglais : la majorité des documents rassemblés sont des articles issus de publications

scientifiques similaires au texte traduit, provenant majoritairement de sites comme IEEE et

d’universités. J’ai tout de même été surprise de trouver un certain nombre de thèses en anglais

(la plupart étant néanmoins rédigée par des auteurs non anglophones) portant en général sur

l’apprentissage automatique et la reconnaissance des émotions. Mon unique monographie3,

disponible en version numérique, m’a permis de mieux comprendre certains concepts liés au

domaine du jeu vidéo. Du fait du grand nombre de sous-domaines intervenant dans mon texte,

j’ai essayé d’homogénéiser mon corpus au maximum, mais je me suis rendu compte en

remplissant mes premières fiches ARTES qu’il me fallait rassembler des documents de

vulgarisation afin de me familiariser davantage avec certaines notions (en particulier en

matière de statistique et d’apprentissage automatique). Ces supports ne sont pas inclus dans le

graphique ci-dessous, mais seront ajoutés à la bibliographie sélective de ce protocole.

3 [ADAMS_2014] ADAMS, Ernest. Fundamentals of game design. Pearson Education, 2014.

21

En français : la composition de mon corpus français est sensiblement différente.

L’intérêt croissant pour la neuropsychologie et l’apprentissage automatique a fait l’objet d’un

grand nombre de thèses et de mémoires de Master ces dernières années. Pour ces types de

documents, l’archive ouverte HAL m’a permis de gagner du temps (pas besoin d’éplucher les

résultats Google). Bon nombre de ces thèses proviennent également d’universités mettant à

disposition les thèses de leurs anciens doctorants. La faible quantité d’articles de publications

scientifiques s’explique notamment par la tendance identifiée par mon expert dans la partie

précédente : pour être lu, il faut publier en anglais. J’ai néanmoins passé du temps rassembler

autant d’articles que possible pour pouvoir effectuer des comparaisons au niveau de la

phraséologie. En effet, certaines de mes thèses étaient truffées de fautes d’orthographe et

globalement assez mal rédigées, ce qui m’a fait douter de la fiabilité de certaines traductions de

termes. Avec les articles publiés par des revues ou des organismes de spécialité, on a au moins

l’assurance que le document a été révisé.

11

39

2 1 1

Thèse Publicationsscientifiques

Blogs/presse Monographie Rapporttechnique

Composition du corpus anglais (54 textes)

22

J’ai également inclus deux cours trouvés en début d’année, qui m’ont permis de me

familiariser quelque peu avec la terminologie statistique. Comme dans le cas de l’anglais, j’ai en

revanche été contrainte de chercher davantage de cours pour mon travail de traduction. Ces

cours seront inclus dans la bibliographie commentée.

Conclusion

Après des débuts plutôt chaotiques, en particulier concernant la définition de mon

micro-domaine, je pense avoir dompté ma nature désorganisée et ma passion pour cette

théorie que certains traducteurs appellent good enough. Ce travail de longue haleine requiert

une organisation et une discipline strictes, sans lesquelles on se retrouve très vite submergé.

Le travail de recherche documentaire effectué en début d’année est essentiel pour se

familiariser avec les domaines de spécialité. À l’inverse des productions académiques réalisées

lors de mes précédentes années d’études, l’approche de recherche adoptée dans ce cursus est

16

13

2 1

Thèse/mémoire Publicationsscientifiques

Cours Communiqué depresse

Français (32 textes)

23

beaucoup plus inclusive : pour l’étudiant en quête d’un bon article de vulgarisation, quel

bonheur de pouvoir consulter une page Wikipédia sans culpabiliser ! La multitude de

possibilités en matière de domaines de spécialité se traduit également par une vaste gamme de

documents différents : pourquoi ne pas utiliser des forums comme exemple de la terminologie

employée par des gamers invétérés ? Même si ce mémoire ressemble aux exercices

hebdomadaires que je réalisais en Master 1 (traduction accompagnée d’un journal de bord

justifiant les choix), l’approche est beaucoup moins restrictive.

En termes de recherche documentaire, l’accent est mis sur la pertinence des sources

rassemblées par rapport l’utilisation que l’étudiant souhaite en faire, l’image de la théorie

fonctionnaliste (quel est le skopos de ce document ?). La fiabilité reste évidemment un critère

important, mais n’est plus le seul et unique facteur motivant un choix. Le terme trouvé sur trois

bases de données, dans un dictionnaire et dans deux brevets sera certes fiable, mais sera-t-il

adapté au contexte et à la visée du texte à traduire ? C’est ici qu’intervient l’expert. J’ai eu la

chance de pouvoir solliciter l’aide de l’un des auteurs de mon texte, qui a également fait appel

ses co-auteurs pour répondre mes questions. C’est une situation idéale, puisqu’il est le mieux

placé pour expliquer sa démarche. Cependant, des réserves ont été émises en début d’année

concernant ce choix : en effet, les auteurs étant tous francophones, il serait facile de céder à la

tentation et de demander de l’aide pour la traduction. Je me suis donc limitée aux problèmes

terminologiques les plus ardus.

Les connaissances acquises dans le cadre de ce mémoire et des cours m’ont permis de

mieux m’organiser et d’acquérir des réflexes qui seront certainement utiles si je suis amenée

traduire des textes techniques sans mémoire de traduction. J’ai également pris conscience des

liens très forts entre la terminologie et la recherche documentaire : sans la bonne terminologie,

il est difficile de faire aboutir une recherche documentaire. De même, il est essentiel d’adopter

dès le départ une méthode de recherche efficace pour trouver les bons termes. Sans ces deux

disciplines, il serait impossible (ou extrêmement difficile) de mener bien la traduction d’un

texte aussi technique.

À l’issue de ce master, je souhaiterais terminer la traduction intégrale de ce texte (les

parties sélectionnées correspondent à environ un tiers du volume total du texte) et la proposer

aux auteurs, mon expert ayant exprimé son intérêt pour ce projet.

24

Protocole de terminologie





Le choix du texte de traduction et la présentation des domaines sont détaillés dans les

parties suivantes :

Choix du domaine

Choix du texte

I. Concepts principaux au sein du micro-domaine

Le dictionnaire du micro domaine délimité dans la partie précédente contient en majorité

des termes appartenant la statistique et l’apprentissage automatique. En effet, ces domaines

représentent l’un des principaux enjeux du texte et sont omniprésents dans la partie IV

traduite dans le cadre de ce mémoire.

Certains termes relevant de la terminologie du jeu vidéo ont également été traités en fiches

longues car ils reflètent des tendances et des phénomènes représentatifs du domaine. En

revanche, les termes comme fréquence cardiaque et électroencéphalogramme appartenant

au vocabulaire médical ont été traités en fiches glossaire, car ils sont bien connus du grand

public et ne présentent pas d’intérêt majeur d’un point de vue terminologique dans ce texte.

Jeux vidéo : une terminologie foisonnante 1.

Au cœur de la problématique du texte se trouve le concept d’ajustement dynamique

de la difficulté (dynamic difficulty adjustment). Bien que les auteurs n’utilisent pas ce

terme dans leur texte (on trouve par contre « difficulty adjustment », « to adjust difficulty »,

et d’autres variantes qui renvoient toutes cette notion), j’ai choisi de le traiter en fiche

longue. Ce terme aux nombreux synonymes renvoie à un concept bien précis : la

modulation de la difficulté automatique et en temps réel. Ce type d’adaptation s’oppose par

exemple l’ajustement manuel que proposent les jeux (choix d’une difficulté tout moment

25

par le joueur). Dans le texte, c’est bien l’objectif que les auteurs cherchent à atteindre en

utilisant l’apprentissage automatique.

Concurrents 2.

Comme mentionné plus haut, mes premières recherches ont porté sur ce concept

d’ajustement dynamique de la difficulté. En consultant des sites de vulgarisation comme

Wikipédia4, il apparaît que le terme dynamic difficulty adjustment dispose de nombreux

concurrents, le principal étant dynamic game balancing (sans oublier les textes utilisant

des hyperonymes comme difficulty adjustment pour renvoyer au même concept). En

examinant les contextes dans lesquels ces deux termes concurrents sont employés, il

apparaît que le choix d’un terme ou d’un autre est purement préférentiel selon l’auteur.

Cependant, la forme dynamic difficulty adjustment semble être la plus utilisée dans les

milieux scientifiques, c’est pourquoi j’ai choisi d’en faire mon terme vedette, avec dynamic

game balancing comme concurrent.

Au cours de ces recherches, d’autres concurrents ont fait leur apparition, l’un des plus

utilisés étant adaptive difficulty. Une fois de plus, le terme renvoie à la même notion, mais

les contextes d’emploi ne sont pas les mêmes : en effet, cette forme sera préférée par les

développeurs de jeux vidéo et les joueurs (en particulier sur les forums). Dans les deux cas,

nous avons affaire à des experts (scientifiques / développeurs et joueurs avertis), mais les

choix terminologiques sont très différents. Les résultats renvoyés sont naturellement très

contrastés : dynamic difficulty adjustment permet de consulter des articles de

publications scientifiques, tandis que le concurrent adaptive difficulty figure sur des sites

ou forums accessibles au grand public. Dans le texte traduit, il sera donc plus avisé de

privilégier les équivalents utilisés dans le milieu scientifique, même si les auteurs font

parfois référence à leur jeu « adaptatif » (« adaptive game »).

4Dynamic game difficulty balancing. Wikipédia.

https://en.wikipedia.org/wiki/Dynamic_game_difficulty_balancing (dernière consultation le 30 mai 2015)

https://en.wikipedia.org/wiki/Dynamic_game_difficulty_balancing

26

Équivalents français 3.

Il est également intéressant d’étudier les équivalents du terme adaptive difficulty en

français. Le terme difficulté adaptive utilisé par les développeurs et les joueurs reste la

traduction la plus utilisée, mais certains emploient la variante « difficulté adaptive », en

particulier sur les forums de joueurs. Quel que soit le domaine concerné, adaptive se traduit

généralement par adaptatif, la plupart des traducteurs évitant le calque « adaptif ».

L’emploi de cette forme dans le cadre du jeu vidéo est certainement dû l’omniprésence de

l’anglais dans le milieu du jeu vidéo et de la programmation (terminologie informatique). Le

public non-linguiste emploie donc naturellement une traduction calquée, que l’on tend

observer de plus en plus fréquemment, en particulier dans les textes de marketing où la

terminologie ne cesse d’évoluer.

II. Les équivalents en statistique et en apprentissage automatique

Deux domaines étroitement liés 1.

Mes recherches terminologiques ont principalement porté sur les termes utilisés en

statistique et en apprentissage automatique. Comme mentionné plus haut, j’avais commencé

par orienter mes recherches exclusivement vers le domaine de la statistique. En revanche, la

présence de termes comme le verbe to train m’a aidé à mieux comprendre les concepts utilisés

dans mon texte de traduction. Les auteurs utilisent en effet des outils statistiques (en

particulier les algorithmes traités en fiches longues dans la base ARTES) pour analyser les

données de manière automatique : le domaine principal est donc l’apprentissage automatique,

qui fait appel à des méthodes et outils statistiques automatisés.

Les tendances reflétées par l’emploi des algorithmes aussi bien en anglais qu’en français

ont fait l’objet de recherches approfondies et d’échanges avec des experts du domaine (extrait

de conversations en annexe).

Équivalents français : des tendances contrastées 2.

Une fois mes premiers candidats termes identifiés, j’ai commencé par chercher des

équivalents en utilisant des traductions littérales. Pour certains algorithmes comme l’analyse

27

discriminante linéaire (linear discriminant analysis), cette approche s’est révélée

fructueuse. En revanche, d’autres termes comme sequential foward floating selection et fast

correlation-based filter ne retournaient aucun résultat. Difficile en effet d’imaginer des

traductions comme « sélection séquentielle flottante en avant ». Les termes statistiques

accumulent volontiers les qualificatifs en anglais (trois dans le cas de sequential forward

floating selection), mais le français tend à être plus économe.

Il convient également de noter qu’ l’image de la terminologie du jeu vidéo, la

terminologie statistique est sujette au foisonnement des concurrents : le terme sequential

floating forward selection apparaît par exemple dans le texte de traduction sous la forme

sequential forward floating selection. Les deux variantes renvoient un nombre de résultats

similaires dans les recherches Google, et le choix d’un concurrent ou d’un autre semble relever

de la préférence de l’auteur. Afin de déterminer mon terme vedette, j’ai tenté de retracer

l’évolution de ce terme : il apparaît que la majeure partie des articles utilisant cet algorithme se

basent une publication de référence5 datant de 1994, où figure la variante sequential floating

forward selection. Les auteurs y expliquent que cet algorithme est un type de forward

selection. Il serait donc recommandé de ne pas scinder ce terme composé avec floating. J’ai

donc choisi cette variante comme terme vedette.

Tous ces algorithmes relativement bien représentés dans mon corpus anglais (j’avais

accumulé un certain nombre de textes portant sur la statistique en début d’année) étaient

employés dans les mêmes types de textes et de contextes que dans mon corpus français.

Cependant, nombre de documents français ne comportaient pas d’équivalents et conservaient

l’anglais, la plupart du temps entre parenthèses ou en début de document dans une liste des

abréviations :

Deux autres méthodes de la famille (FS, BS) qui limitent les inconvénients des

méthodes décrites ci-dessous, appelées SffS (Sequential Floating Forward Selection)

et SFBS (Sequential Floating Backward Selection) sont proposées en 1994 par Pudil et

al (Pudil et al. [1994]). Ces méthodes consistent utiliser l fois l’algorithme SFS de

manière ajouter l variables, puis utiliser r fois l’algorithme SBS afin d’en supprimer

r.6

5 FERRI, F., PUDIL, P., HATEF, M., et al. Comparative study of techniques for large-scale feature selection. Pattern Recognition in Practice IV, 1994, p. 403-413. 6 [CHOUAIB_2011] CHOUAIB H. - Sélection de caractéristiques : méthodes et applications - Thèse de doctorat, Dir. Pr. Nicole Vincent, Université Paris Descartes. 2011.

28

Afin de déterminer si cette tendance était valable pour l’ensemble des publications, j’ai

amassé du corpus français sur les domaines de la statistique et de l’apprentissage automatique

l’aide de sigles (notamment SFFS pour sequential floating forward selection). Ces

recherches m’ont confirmé que certains termes ne disposaient tout bonnement d’aucun

équivalent reconnu en français. De plus, certaines méthodes ou algorithmes étant relativement

récents, il est trop tôt pour connaître avec certitude le statut terminologique que chaque

nouveau terme. Il est fort probable qu’un regain d’intérêt envers un algorithme encourage la

communauté scientifique à créer de nouveaux équivalents.

Les échanges avec les auteurs de mon texte (extraits en annexe) m’ont permis de mieux

comprendre les facteurs qui peuvent influencer la formation ou l’évolution des termes en

statistique. Des notions relativement anciennes comme l’analyse discriminante linéaire ont

par exemple fait l’objet d’études détaillées dans le milieu scientifique français. En revanche, des

termes plus récents comme fast correlation-based filter7 apparus dans les années 2000 ne

disposent pas encore d’équivalents français. Selon mon expert, l’absence d’équivalent repose

sur les facteurs suivants :

- l’ancienneté du terme,

- sa fréquence d’utilisation,

- sa facilité de traduction.

Il ajoute cela que l’anglais gagne en importance dans les milieux scientifiques : pour

améliorer sa visibilité, il est essentiel d’écrire en anglais. Beaucoup d’auteurs francophones

publient ainsi davantage en anglais qu’en français (c’est par exemple le cas de mon expert).

Puisqu’ils savent que leur public, anglophone ou non, est même de lire et comprendre les

enjeux de leurs publications, la traduction devient superflue. Dans ARTES, j’ai donc choisi

d’utiliser, en guise d’équivalent français, le sigle du terme anglais. En effet, dans la totalité des

publications scientifiques de mon corpus (anglais comme français), les sigles sont préférés aux

formes développées.

Note : dans le cas du terme fast correlation-based filter, une occurrence d’une traduction

française (présente dans un seul texte) a été incluse dans la base ARTES en tant que concurrent

du sigle FCBF : filtre à sélection de caractéristiques par corrélation rapide. Cependant, ce

terme est beaucoup plus long que l’original anglais, et il n’est pas évident la première lecture

7 Première occurrence dans YU, Lei et LIU, Huan. Feature selection for high-dimensional data: A fast correlation-based filter solution. In : ICML. 2003. p. 856-863.

29

qu’il renvoie au même concept. En revanche, le sigle FCBF est plus facilement identifiable : il

serait donc recommandé d’employer ces deux variantes conjointement.

Formes développées et sigles 3.

Les textes scientifiques tendent privilégier l’emploi des sigles désignant des termes

composés. La forme développée est en général employée en début de texte, puis remplacée par

le sigle dans le développement. Certains textes incluent également une liste des abréviations,

très utile dans le domaine de la statistique ou de l’apprentissage automatique où les termes

composés sont nombreux. Dans la base ARTES, les termes comme sequential floating forward

selection et fast correlation-based filter ont été définis comme termes vedette, mais leurs

sigles respectifs SFFS et FCBF sont statistiquement plus employés. Ce phénomène a donc fait

l’objet de notes techniques de type :

Fast correlation based filter is more widely used in its abbreviated form, FCBF. As

the contexts of this entry demonstrate, the developed form is usually followed by

the acronym at the first occurrence. The acronym is then used throughout the rest

of the publications.8

L’utilisation des acronymes en français va parfois l’encontre des tendances linguistiques

détaillées dans le point précédent. En effet, pour des termes disposant d’un équivalent français

comme analyse discriminante linéaire, le nombre d’occurrences du sigle localisé (ADL) est

nettement inférieur à celui du sigle anglais (LDA). Dans mon corpus constitué d’une trentaine

de documents, seule une thèse emploie la forme ADL, le reste des documents utilisant LDA. Il

est donc nécessaire de préciser, lors de la création de l’entrée dans la base de données, que

certaines variantes sont moins utilisées que d’autres et pourraient éventuellement prêter

confusion.

Un exemple de terme ne disposant d’aucun sigle localisé est l’analyse de la variance

(analysis of variance, ANOVA). C’est une méthode statistique extrêmement connue et utilisée,

qui figure dans tous les lexiques ou glossaires de statistique, qu’ils soient destinés des experts

ou au grand public. Une fois de plus, le sigle est préféré à la forme développée. En revanche,

ANOVA semble prendre le statut de terme à part entière dans les publications scientifiques :

puisque c’est un acronyme, et non un sigle, certains auteurs ont tendance l’employer comme

8 Fiche ARTES du terme fast correlation-based filter

30

un mot, et de lui ajouter des qualificatifs comme « méthode », voire « analyse » (alors que le

mot analyse est déj compris dans l’acronyme ANalysis Of VAriance). Ce phénomène n’est pas

sans rappeler la redondance de « HIV virus » et « ATM machine » : plus ils sont utilisés, plus les

sigles ou acronymes tendent à se distancier de leur forme développée. Il serait par exemple

intéressant de demander plusieurs personnes de développer l’acronyme UNESCO : nous

connaissons tous la fonction et les missions de cet organisme, mais la forme développée a de

grandes chances d’échapper au plus grand nombre. C’est ce qui est en train de se produire pour

ANOVA, qui est aujourd’hui systématiquement accompagné (en anglais comme en français) de

termes satellites comme « test », « approche » et « méthode ». Dans le cadre d’une traduction, il

serait néanmoins sage d’éviter la redondance « analyse ANOVA », même si beaucoup l’utilisent.

III. Arborescences

Constitution des arborescences 1.

Ayant débuté mon travail terminologique en pensant me consacrer uniquement l’étude

des termes statistiques, j’ai commencé par établir une organisation hiérarchique des outils et

méthodes employés dans le texte. La représentation ci-dessous a été réalisée début janvier.

Ma démarche a été de partir du terme classification, qui me semblait être la notion

principale de la partie à traduire, pour ensuite relier les méthodes et outils intervenant dans ce

processus : l’analyse de caractéristiques (ou features) l’aide de classifieurs (classifiers) et

31

d’algorithmes de sélection de caractéristiques (feature selection). En revanche, au fil de ma

première traduction du texte en janvier, il est apparu que classification et feature selection

étaient deux processus bien distincts. En effet, la classification a pour objectif d’assigner des

données à des classes (prédéfinies ou non), ou catégories. Par exemple, dans le cas du texte de

traduction, les classes déterminées par les auteurs sont les trois émotions choisies en début

d’étude (ennui, engagement et anxiété). Par opposition, la sélection de caractéristiques a

pour but d’analyser un ensemble de données (data set) pour ne retenir que les éléments les

plus pertinents. Ces deux approches sont donc complémentaires : on commence par appliquer

la classification pour trier les données, puis on utilise la sélection de caractéristiques pour ne

conserver que les caractéristiques les plus pertinentes au sein de cet ensemble. Il a donc fallu

séparer ces deux méthodes d’analyse de données et leurs outils respectifs. En effet, les auteurs

du texte commencent par procéder à une classification, puis appliquent la sélection de

caractéristiques. L’élément clé reliant les deux termes dans mon arborescence est donc le

terme data set (ensemble de données), auquel les deux méthodes et leurs outils sont

appliqués.

Note : il ne faut pas confondre caractéristiques et données. Prenons l’exemple du texte de

traduction : au sein des données de la fréquence cardiaque, les auteurs se sont intéressés à

des caractéristiques comme la fréquence moyenne et les variations de fréquence cardiaque. J’ai

donc traité cette relation avec le lien « A est extrait de B ». En effet, l’interaction entre les deux

termes ne relève pas de la méronymie : les caractéristiques sont le résultat d’une analyse de

l’ensemble de données et sont choisies par les auteurs du texte (ils auraient tout fait pu ne

pas s’intéresser à la caractéristique de variation de la fréquence cardiaque).

Une fois mon micro-domaine clairement délimité, il m’a fallu inclure les termes du texte ne

relevant pas de la statistique ou de l’apprentissage automatique à mon arborescence. Pour

faciliter la compréhension et ne pas surcharger la page centrale, l’arborescence a été divisée en

trois parties :

- Une introduction au micro-domaine en première page incluant les notions clés : les

émotions, l’informatique affective, l’apprentissage automatique et l’ajustement

dynamique de la difficulté.

- Le développement des techniques et outils employés dans le cadre de l’apprentissage

automatique, enjeu principal du texte à traduire.

32

- Le détail du processus d’apprentissage automatique employé : la composition de

l’ensemble de données, la manière dont il est exploité et analysé ; le processus de fusion

des méthodes de classification et sélection de caractéristiques, ses objectifs.

Cette organisation permet de présenter succinctement le micro-domaine, puis de distinguer les

différentes méthodes et leurs outils, leurs objectifs et leurs applications. Une fois les méthodes

présentées, la démarche d’analyse de l’ensemble de données est détaillée en page 3, et se

conclut par la méthode de la fusion, étape finale du processus d’apprentissage automatique.

Arborescence en anglais 2.

A utilise B

B est extrait de A

A est appliqué à B

A évite B

A est traité par B

Objectif

Hyperonymes / hyponymes

Holonymes / méronymes

Fiches longues

Fiches courtesFiches glossaire

A est mesuré par B

A est divisé en B

Termes non traités dans

ARTES

A B

A B

A B

A B

A B

A B

A B

A B A est affecté à B

Légende

machine learning

dynamic difficulty

adjustment

emotion

physiological signal

EEG signalperipheral signal

engagement

boredom

anxiety

galvanic skin

response sensorplethysmograph

respiration

belt

temperature

sensorelectroencephalogram

affective computing

classifier feature selection

support vector machine

quadratic discriminant

analysis

linear discriminant

analysis

radial basis

function kernel

analysis of variancefast correlation-based

filter

sequential floating forward

selection

training setclassificationk-fold cross

validation

diagonalized singular covariance matrix

data set

linear classifier

generalization

test set

covariance matrix

cross-validation

feature

machine learning

Bayes’ belief integration

probability

confusion matrix

fusion

window

sample

uniform distribution

class

decision-level fusion

classifier feature selection

session

accuracy

data set

Arborescence en français 3.

A utilise B

B est extrait de A

A est appliqué à B

A évite B

A est traité par B

Objectif

Hyperonymes / hyponymes

Holonymes / méronymes

Fiches longues

Fiches courtesFiches glossaire

A est mesuré par B

A est divisé en B

Termes non traités dans

ARTES

A B

A B

A B

A B

A B

A B

A B

A B A est affecté à B

Légende

apprentissage

automatique

ajustement dynamique

de la difficulté

émotion

signal physiologique

signal EEGsignal périphérique

engagement

ennui

anxiété

capteur de

conductance

cutanée

pléthysmographe ceinture

de

respiration

capteur de

température

électroencéphalogramme

informatique

affective

38

classifieursélection de

caractéristiques

machine à vecteurs de

support

analyse discriminante

quadratique

analyse discriminante

linéaire

noyau à base

radiale

analyse de la variance FCBF SFFS

ensemble

d’apprentissageclassification

validation

croisée k-fold

diagonalisématrice de covariance

singulière

ensemble de

données

classifieur linéaire

généralisation

ensemble de

test

matrice de covariance

validation croisée

caractéristique

apprentissage

automatique

39

intégration de la croyance

de Bayes

probabilité

matrice de confusion

fusion

fenêtre

échantillon

distribution uniforme

classe

fusion de décision

classifieursélection de

caractéristiques

session

précision

ensemble de

données

IV. Commentaire sur les collocations génériques

Les collocations génériques analysées ici proviennent de l’introduction et de la conclusion

du texte à traduire. Leur usage a été confirmé en effectuant une recherche dans le corpus

(AntConc et Google Scholar).

Future work will focus on sth 1.

Cette collocation est omniprésente dans les études ou rapports des domaines étudiés dans

la partie terminologie de ce mémoire. Il convient en effet d’informer le lecteur des objectifs

long terme ou d’éventuels changements de direction dans les recherches présentées. Cette

collocation a donc été attribuée à la fonction discursive « exprimer la postériorité ».

Il existe de nombreuses traductions pour « future work » en français, notamment des

structures très calquées sur l’anglais comme « les futurs travaux ». Dans des structures comme

celle-ci, la position de l’adjectif avant le nom rend le calque sur l’anglais très visible. En

revanche, le placement des adjectifs par rapport au nom semble aujourd’hui un choix

préférentiel de la part de l’auteur (il serait néanmoins étrange d’utiliser « les travaux futurs »).

Afin de contourner ce problème, j’ai choisi de traduire par « les travaux à venir concerneront

qqch » : on évite ainsi le calque sur l’anglais de la première proposition.

La traduction de « focus on » tend également à être sujette aux calques comme « se

concentrer sur » : de tels verbes sont en général plutôt utilisés pour désigner des personnes.

Un objet inanimé ou un concept ne peut pas vraiment « se concentrer sur qqch ». En employant

un verbe comme « concerner », dont l’emploi est adapté aux inanimés et aux notions abstraites,

on évite une fois de plus le calque sur la construction anglaise.

Enfin, il a été jugé pertinent de conserver « travaux » pour « work », plus large et plus

abstrait que le terme « recherches » (qui pourrait néanmoins fonctionner parfaitement dans

certains contextes plus spécifiques).

To gather increasing interest 2.

Cette collocation sera en général employée en début de texte pour faire l’état des lieux du

domaine étudié. Sémantiquement parlant, elle est similaire à une autre entrée de la base

41

ARTES, « much recent interest in ». La fonction discursive que j’ai décidé d’attribuer cette

collocation est « évoquer son positionnement ou le contexte théorique dans lequel s’inscrit le

travail ». On dresse en effet un aperçu du travail accompli ou des recherches qui n’ont pas

encore été effectuées dans un domaine donné.

La traduction choisie pour cette collocation est « susciter un intérêt croissant ». Pour

cette collocation, l’anglais aura tendance privilégier l’emploi du prétérit ou du present perfect,

mais le français utilisera plutôt le présent, ainsi : « [domain] has gathered significant interest in

the last few years », mais « depuis quelques années, [domaine] suscite un intérêt croissant ».

Pioneering work 3.

Cette collocation a pour but de présenter les premiers travaux réalisés dans un domaine

donné. C’est une expression récurrente dans les textes scientifiques, mais également dans des

contextes moins spécialisés. Tout comme la collocation précédente, la fonction discursive

choisie est « évoquer son positionnement ou le contexte théorique dans lequel s’inscrit le

travail ».

Deux traductions possibles ont été proposées en fonction des résultats de la recherche dans

le corpus de spécialité : « travail pionnier » et « travail innovant ».

- De nombreux textes en français emploient la traduction littérale « travail pionnier », qui

peut parfois gêner : en effet, le français tend à employer « pionnier » en tant que nom,

beaucoup moins en tant qu’adjectif. Le problème ne se pose pas en anglais, car il existe

deux formes distinctes (pioneer/pioneering). Certains préfèreront donc éviter l’emploi

de l’adjectif « pionnier » pour désigner des notions abstraites. En revanche, le nombre

d’occurrences de cette collocation reste élevé : elle est très employée dans la

communauté scientifique.

- « Travail innovant » est un concurrent plus large et plus abstrait de cette collocation. On

perd malheureusement la force du terme « pionnier » : même si l’adjectif « innovant »

est lui aussi très fort, il tend à être utilisé très fréquemment et dans tous les contextes

possibles, jusqu’ perdre cette notion d’exclusivité et de « jamais vu ». De plus « travail

innovant » est une collocation beaucoup plus générique, qui est utilisée dans de

nombreux types de discours et ne se limite pas aux textes scientifiques.

42

To open the path to sth 4.

On emploie cette collocation pour présenter les perspectives ou les résultats obtenus grâce

à une démarche ou un travail de recherche : elle appartient donc à la fonction discursive

« évoquer son positionnement ou le contexte théorique dans lequel s’inscrit le travail ». Il est

possible de l’utiliser soit dans l’introduction pour détailler les aspects qui ont été rendus

possibles par des travaux, soit dans la conclusion pour évoquer de potentiels sujets de

recherche apparus lors de l’étude.

La traduction choisie pour cette collocation est « ouvrir la voie à qqch ». Il existe déjà

une collocation quasiment identique dans la base ARTES, à savoir « ouvrir la voie vers qqch ».

En revanche, la fiche ne contient pas de traduction. Une comparaison du nombre de résultats

de recherche pour ces deux collocations confirme également que « ouvrir la voie à » est la

forme la plus employée (environ 300 000 occurrences, contre 15 000 pour « vers »). Il serait

utile de lier ces deux collocations l’équivalent anglais et d’ajouter une note pour préciser la

fréquence d’emploi des deux prépositions.

To our knowledge 5.

Les auteurs emploient cette collocation pour exprimer un fait en fonction de leur

connaissance du domaine de type : « to our knowledge, no study has ever examined […] » ou « to

our knowledge, this is the first time […] ». Il s’agit cette fois d’exprimer un degré de certitude

sans pour autant être catégorique : la fonction discursive choisie est donc « exprimer une

atténuation ou un doute ». Même si cette collocation est principalement employée pour

nuancer un énoncé, l’anglais a tendance « atténuer » les propos dans lesquels des éléments

personnels entrent en jeu (on utilise ainsi « with all due respect » pour introduire un énoncé qui

pourrait s’avérer offensant pour le destinataire). « To our knowledge » pourrait donc sous-

entendre un degré de certitude relativement élevé, ou relativement faible. En français, la

traduction littérale « à notre connaissance » est fréquemment utilisée et ne pose pas de

problèmes particuliers.

43

Conclusion

La terminologie représente très certainement la plus grande partie du travail effectué dans

le cadre de ce mémoire. N’ayant jamais étudié cette discipline, il m’a fallu rapidement assimiler

les concepts et la terminologie de la terminologie pour pouvoir définir mon domaine de

recherche. Cette tche s’est d’ailleurs étirée sur plusieurs mois, car la pluralité de disciplines

présentes dans le texte de traduction et leurs interactions ne sont pas évidentes au premier

abord. C’est au fil de mes recherches documentaires que j’ai pu affiner et identifier les notions

principales à inclure dans le micro-domaine. Le travail terminologique m’a permis en retour de

mieux cibler mes recherches afin de faciliter le processus de traduction.

Le micro-domaine choisi dans le cadre de cette traduction m’a permis d’analyser des

phénomènes terminologiques complexes et contrastés. En revanche, les disciplines clés

traitées dans ce protocole se caractérisent quasiment toutes par un phénomène qui fait l’objet

de débats dans les pays francophones : l’utilisation de termes anglais dans les publications

françaises. Cette tendance ne surprend pas dans le domaine de l’informatique, dominé par la

terminologie anglaise, mais j’ai été étonnée de constater qu’elle touchait également la

statistique, très étudiée en France. La recherche documentaire et les explications des experts

m’ont permis de mettre en lumière les facteurs expliquant cette transition relativement

récente vers une terminologie anglaise.

La constitution des arborescences représente une aide considérable à la compréhension du

micro-domaine : les liens graphiques entre les notions permettent de se rendre compte

rapidement des erreurs de logique et des articulations entre les différents domaines. À l’image

de la recherche documentaire, le travail sur les arborescences et la terminologie du micro-

domaine n’est jamais réellement terminé. Plus les recherches sont approfondies, plus l’on

découvre de nouveaux liens et concepts pertinents. Ce mémoire représente donc la première

étape d’un processus de longue haleine, essentielle pour se familiariser avec un domaine. Les

méthodes, approches, échecs et réussites qui sont intervenus dans ce travail sont donc d’une

aide précieuse si l’on souhaite s’orienter vers la traduction spécialisée.

44

Commentaire de traduction





Le choix du texte de traduction et la présentation des domaines sont détaillés dans les

parties suivantes :

Choix du domaine

Choix du texte

I. Caractéristiques du texte à traduire

Choix de la partie à traduire. 1.

Le texte choisi étant beaucoup trop long pour être traduit intégralement (environ

50 000 caractères espaces compris), il m’a fallu effectuer des coupes avant de me lancer dans le

travail de traduction. En comparant le contenu du développement de l’étude (sections II, III et

IV) du point de vue terminologique, je me suis rapidement rendu compte que la Section IV

serait la plus intéressante à étudier et à traduire. Ce choix a été confirmé par les responsables

de terminologie et de traduction. Afin de conserver une certaine cohérence dans le texte,

l’introduction (Section I) et la conclusion (Section V) ont également été incluses : ces deux

parties sont en effet assez détaillées pour permettre au lecteur de comprendre les démarches

effectuées en amont de la Section IV.

La Section II décrit le protocole d’acquisition des données physiologiques : elle contient

une majorité de termes relatifs à la médecine (outils de mesure notamment). La terminologie

médicale étant considérablement contrôlée, cette partie ne présentait pas d’intérêt majeur du

point de vue terminologique. La Section III concerne quant elle l’analyse statistique mise en

œuvre une fois les données collectées. On a affaire ici au domaine de la statistique, plus

précisément à la méthode de classification. Cette partie était néanmoins un peu trop courte

pour être traduite, et comportait moins de phénomènes dignes d’intérêt que la Section IV. En

effet, dans cette dernière, les méthodes de classification entrent en interaction avec d’autres

outils et approches dans le cadre de la création d’un système d’apprentissage automatique.

45

C’est sur ces interactions que porte la plus grande partie de mon travail de recherche et

de terminologie ; l’introduction et la conclusion permettent quant à elles de prendre en compte

les autres grands domaines du texte comme la neuropsychologie et le jeu vidéo.

Public visé 2.

Ce texte est disponible sur la plateforme IEEE, spécialisée dans les nouvelles

technologies liées l’informatique. Une lecture rapide du document confirme qu’il s’agit d’un

texte rédigé par des spécialistes pour des spécialistes : la terminologie des différents domaines

est extrêmement dense.

Sans consignes particulières concernant le skopos de la traduction, il convient de

traduire ce type de document de manière claire (en explicitant notamment certains passages

pouvant prêter à confusion), sans toutefois simplifier le texte, puisque le public cible de cette

traduction sera majoritairement composé de spécialistes du domaine.

II. Difficultés de traduction

Temps et modes 1.

Pour décrire un protocole expérimental, les auteurs commencent par annoncer la

composition du document, puis décrivent les expériences réalisées, pour enfin conclure et

proposer de potentiels travaux de recherche basés sur les résultats de l’étude. En termes de

temps employés, le texte se structure de la manière suivante :

- Introduction : présent + passé

- Protocole expérimental : passé

- Conclusion : passé + futur

En début de texte, les auteurs utilisent deux temporalités différentes : l’écriture du texte (au

présent, notamment pour présenter l’objectif de l’étude) et le déroulement du protocole

expérimental (au passé). Cette distinction a été conservée dans l’introduction :

This paper attempts to verify the validity

and usefulness of the three defined

L’objectif de cette étude est de confirmer

la validité et l’utilité des trois émotions

46

emotional states by using a Tetris game

where the challenge is modulated by

changing the level of difficulty. Self-

reports as well as physiological activity

were obtained from players by using the

acquisition protocol described in Section

II. Using those data, three analyses were

conducted. The first aims at validating the

applicability of the flow theory for games

(see Section III). In the second analysis,

detailed in Section IV, physiological

signals were used for the purpose of

classification of the different states. In

this case, since one of the goals of this

paper is to go toward applications,

particular attention was paid to designing

classifiers that could be used for any

gamer without having to retrain it.

citées plus haut l’aide d’un jeu de Tetris

modulable grce l’ajustement de la

difficulté. Dans la Section II, nous

décrivons le protocole d’acquisition des

questionnaires remplis par les

joueurs/joueuses et de leur activité

physiologique. Dans la Section III, nous

présentons trois analyses que nous avons

appliquées aux données rassemblées. La

première nous a permis de confirmer

l’application de la théorie du flow dans le

cadre des jeux vidéo. La Section IV décrit

notre approche de classification des trois

émotions l’aide des signaux

physiologiques. Puisque l’application des

outils étudiés figure parmi nos objectifs,

nous avons accordé une importance

particulière à la conception des

classifieurs : il est en effet nécessaire de

choisir des classifieurs que chaque

joueur/joueuse pourrait utiliser sans

avoir à les entraîner de nouveau.

Cette démarche permet également d’éviter les tournures passives, très employées dans

ce texte : il est en effet rare de trouver des structures du type « we used X in order to », les

auteurs semblent préférer la voix passive. L’anglais tend utiliser le passif plus facilement que

le français, mais dans ce texte, on a affaire à un cas extrême. La majeure partie du

développement est en effet rédigée à la voix passive, ce qui se traduit à la lecture par un

manque de dynamisme. Pour remédier ce problème, il suffit d’utiliser des structures actives,

sans toutefois abandonner complètement la voix passive, ainsi :

Three classifiers were applied on this

data set: a linear discriminant analysis

Trois classifieurs ont été appliqués à cet

ensemble de données : une analyse

47

(LDA), a quadratic discriminant analysis

(QDA), and a support vector machine

(SVM) with radial basis function (RBF)

kernel [37], [38]. The diagonalized

versions of the LDA and the QDA were

employed because of the low number of

samples, which sometimes gives rise to

the problem of singular covariance

matrices.

discriminante linéaire (LDA), une analyse

discriminante quadratique (QDA) et une

machine à vecteurs de support (SVM)

avec noyau à base radiale (RBF) [37] [38].

Du fait du nombre réduit d’échantillons,

nous avons utilisé les versions

diagonalisées de LDA et QDA afin d’éviter

les matrices de covariance singulières.

L’utilisation alternée de la voix active et de la voix passive permet ainsi d’éviter les

structures trop répétitives tout en apportant davantage de dynamisme au développement du

texte. Même s’il est en général recommandé de ne pas utiliser la première personne dans les

textes scientifiques, de plus en plus d’auteurs utilisent « nous » dans leurs protocoles de

recherche (sur les 13 articles issus de publications scientifiques figurant dans mon corpus, 12

utilisent la première personne du pluriel). De plus, il serait difficile de traduire le travail réalisé

par quelqu’un sans utiliser la première personne : il faudrait recourir au passif, aux structures

impersonnelles, voire au « on ».

Genre 2.

L’utilisation du genre dans les études publiées en anglais varie sensiblement d’un auteur

l’autre : certains choisissent d’employer their, le choix le plus neutre, alors que d’autres vont

préférer his ou her, voire his/her. Les auteurs du texte ont choisi d’employer his/her dans leur

protocole de recherche, car leur groupe d’étude est composé d’hommes et de femmes.

En revanche, la traduction de certains termes en français peut poser problème du point

de vue du genre : c’est par exemple le cas pour « player », « user » et « participant ».

- « Participant » a été traduit par « sujet », un terme adéquat dans le contexte scientifique

de cette étude. Sa neutralité permet d’éviter l’utilisation de « participant(e) ».

- « User » est un terme employé dans le domaine informatique, dont l’équivalent français

est « utilisateur », exclusivement au masculin. De manière générale, les profils en

48

informatique sont traduits au masculin (p. ex. administrateur). Afin de respecter cette

convention, le terme « utilisateur » a été retenu dans la traduction.

- « Player » est en revanche plus délicat. En effet, le marché des jeux vidéo était

auparavant constitué d’une grande majorité d’hommes. Cependant, cette tendance a

évolué, car de plus en plus de femmes utilisent ce support de divertissement. Ces

dernières années, la proportion joueurs/joueuses a fait l’objet de nombreuses

discussions : le nombre croissant de joueuses s’explique notamment par la

diversification des types de jeux et l’évolution des mentalités au sein de cette niche

relativement fermée. La quantité de publications et de discussions plus informelles

concernant cette tendance a pour effet d’améliorer la visibilité des femmes et de

reconnaître leur contribution à ce marché (selon le Guardian, 52 % des consommateurs

de jeux vidéo sont des femmes9). Afin de traduire ce phénomène et de respecter le choix

des auteurs, j’ai choisi d’employer « joueurs/joueuses » au pluriel (cela permet d’éviter

« le/la joueur/joueuse »). Bien que cette solution alourdisse sensiblement le texte, il est

tout de même nécessaire de conserver cette dualité des genres présente au niveau du

texte mais aussi l’échelle du marché mondial.

Sigles et acronymes 3.

Les recherches détaillées dans le protocole de terminologie montrent que les sigles de

certains termes employés dans le texte ne disposent pas d’équivalents en français, même s’il

existe une traduction française de la forme développée. C’est notamment le cas de l’analyse

discriminante linéaire (LDA) et de l’analyse de la variance (ANOVA). En revanche, les

textes français du corpus emploient ces acronymes différemment : deux tendances majeures

sont observables.

9 JAYANTH, Meg. « 52% of gamers are women – but the industry doesn’t know it ». The Guardian. 18 septembre

2014. http://www.theguardian.com/commentisfree/2014/sep/18/52-percent-people-playing-games-women-industry-doesnt-know [consulté le 20 mai 2015]

http://www.theguardian.com/commentisfree/2014/sep/18/52-percent-people-playing-games-women-industry-doesnt-know

http://www.theguardian.com/commentisfree/2014/sep/18/52-percent-people-playing-games-women-industry-doesnt-know

49

Concordance AntConc

Certains choisissent d’utiliser une construction sans déterminant, qui permet d’alléger

sensiblement le texte, l’inverse de l’autre approche qui consiste ajouter des qualificatifs aux

sigles de type « approche », « méthode », « analyse », etc :

Concordance AntConc

Afin de ne pas surcharger le texte, l’utilisation des qualificatifs a été sensiblement limitée.

L’utilisation des déterminants dans certaines phrases relativement longues alourdit également

la traduction : il est donc parfois préférable d’adopter la première approche pour plus de clarté.

Par exemple :

The µHR feature was frequently selected

by the FCBF but never by the SFFS and

vice versa for the σResp feature. The

σResp feature was removed by the FCBF

because it was correlated with µHR.

However, the SFFS kept the σResp feature

based on its predictive accuracy which

La caractéristique µHR a souvent été

sélectionnée par FCBF, mais jamais par

SFFS, et vice versa pour la caractéristique

σResp. FCBF a en effet éliminé cette

dernière en raison de sa corrélation avec

µHR. Cependant, SFFS a conservé la

caractéristique σResp du fait de son

50

suggests that this feature may be better

than µHR for classification.

exactitude prédictive, suggérant ainsi sa

supériorité par rapport à µHR à des fins

de classification.

As can be seen from Fig. 8, the FCBF

selected less features than the two other

feature-selection methods. It selected 3.1

features in average compared to 20.3 for

the ANOVA and 13.0 for the SFFS coupled

with the LDA.

Comme l’indique la Fig. 8, FCBF a

sélectionné moins de caractéristiques que

les deux autres méthodes, avec 3,1

caractéristiques en moyenne, par

opposition à ANOVA à 20,3 et SFFS-LDA à

13,0

Cette stratégie permet également d’éviter le problème du genre des sigles : en effet, les

formes développées de certains algorithmes comme SFFS et FCBF ne disposent pas d’une

traduction en français, et il est donc difficile de leur attribuer un genre. S’il était nécessaire

d’utiliser des déterminants pour ces termes, il faudrait par exemple utiliser le qualificatif

« algorithme », puis employer le sigle au masculin (le SFFS, le FCBF, etc.). Il faut cependant

rester vigilant : certains sigles dont la forme développée est au féminin peuvent parfois être

utilisés au masculin lorsqu’un qualificatif est sous-entendu (par exemple : classifieur LDA → le

LDA, alors que LDA est normalement au féminin car sa forme développée est analyse

discriminante linéaire).

Répétitions 4.

Comme dans tout texte scientifique, il convient de privilégier la clarté et la

compréhension du texte. Cela donne lieu à de nombreuses répétitions au niveau de la

terminologie et de la structure des phrases. Bien qu’il soit parfois impossible d’éviter la

répétition de certains termes dans le texte cible, certains aspects comme la logique interne du

texte et le contexte permettent d’alléger certains passages. Le paragraphe ci-dessous montre

les différentes stratégies adoptées pour traiter plusieurs types de répétitions.

Three feature-selection algorithms were

applied on this problem to find the

Face à ce problème, nous avons utilisé

trois algorithmes de sélection de

51

features that provide good generalization

across participants. All those algorithms

were applied on the training set to select

features of interest, and only the selected

features were used for the classification

of the test set. An ANOVA feature

selection was applied to keep only the

features that are relevant to the class

concept (p-value < 0.1). The fast

correlation-based filter (FCBF) [39] was

applied to select relevant features and

remove redundant ones.

caractéristiques pour identifier les

caractéristiques proposant une bonne

généralisation chez tous les sujets. Ces

algorithmes ont été appliqués à

l’ensemble d’apprentissage afin de

sélectionner les caractéristiques dignes

d’intérêt. La classification de l’ensemble

de test a ensuite été réalisée

exclusivement l’aide des

caractéristiques retenues. Le test ANOVA

(analyse de la variance) nous a permis de

sélectionner uniquement les

caractéristiques pertinentes par rapport

au concept de classe (valeur-p < 0,1).

L’algorithme FCBF (fast correlation-based

filter) [39] a également réalisé une

sélection des caractéristiques pertinentes,

tout en éliminant les caractéristiques

redondantes.

On est ici confronté à trois répétitions : les termes feature et feature selection, ainsi que le

verbe to apply.

- La répétition de feature selection n’a pas posé de problème ici : en effet, la première

phrase annonce que les trois outils utilisés sont des algorithmes de sélection de

caractéristiques. Il est donc superflu de préciser que l’analyse de la variance

(ANOVA) appartient cette catégorie d’outils.

- Dans le cas de feature, j’ai choisi de conserver la répétition : en effet, bien qu’il existe un

concurrent (variable) en anglais comme en français, les auteurs utilisent toujours le

même terme dans leurs publications. Il serait peu recommandable d’alterner entre les

deux variantes dans le but d’éviter les répétitions, car cela pourrait créer une confusion

chez le lecteur.

52

- En revanche, il est tout fait possible d’éviter de répéter le verbe « appliquer ». Dans de

telles situations, il est utile de chercher les synonymes des répétitions du texte source,

voire de reformuler les phrases : to apply = to use, X is used in order to obtain Y= X allows

us to obtain Y = X leads to Y, etc. Cette démarche se révèle très pratique lorsque l’on

peine à trouver des synonymes ou reformuler directement dans la langue cible, et m’a

permis ici de trouver des reformulations variées pour éviter la structure répétitive de la

source.

Reformulations 5.

Dans ce texte, certains liens logiques évidents pour les auteurs sont parfois difficiles à

identifier à la première lecture. Dans les phrases les plus longues, il faut parfois reprendre la

lecture plusieurs reprises pour s’assurer d’avoir compris. Ces difficultés donnent donc lieu

un travail de reformulation et de segmentation des idées indispensable à la clarté de la

traduction française.

By inspecting the SFFS, FCBF, and ANOVA

selected features, the ∫

and

∫

features were always selected

which shows their importance for the

classification of the three conditions from

physiological signals.

Nous nous sommes ensuite penchés plus

en détail sur ces résultats : SFFS, FCBF et

ANOVA ont toujours sélectionné les

caractéristiques ∫

et ∫

, qui

sont donc importantes pour la

classification des trois conditions l’aide

des signaux physiologiques.

Cet exemple illustre certaines constructions problématiques lors de la traduction. Ici, il n’y a

pas de lien logique entre la démarche d’observation (« by inspecting ») et les phénomènes

observés (les caractéristiques sélectionnées par les algorithmes). Comme ce paragraphe fait

partie de l’analyse d’un tableau présenté dans le texte (Fig. 6), j’ai décidé d’introduire un

rappel : les observations rapportées dans cette phrase sont en effet le résultat d’une analyse

53

approfondie de la Figure 6. L’ajout des deux-points permet également de rétablir la logique de

la phrase (observation/résultat).

The following cross-validation method

was employed to compute the test

accuracy of the classifiers. For each

participant, a classifier was trained using

the features of other participants;

accuracy was then computed by applying

the trained model on the physiological

data of the tested participant. Since the

classifier is tested on the data of

participants that are not present in the

training set, this method allows

evaluating the performance of the

classifier in the worst case where the

model is not user specific, i.e., no

information about the specificity of the

user’s physiology is required for emotion

assessment, except for a baseline

recording of 1 min

Nous avons ensuite calculé la précision-

test des classifieurs l’aide de la méthode

de validation croisée suivante. Nous

avons entraîné un classifieur par sujet à

l’aide des caractéristiques des autres

sujets. La précision du classifieur a

ensuite été calculée en appliquant le

modèle entraîné aux données

physiologiques du sujet testé. En

appliquant le classifieur aux données des

sujets non incluses dans l’ensemble

d’apprentissage, nous pouvons étudier la

performance du classifieur dans la

situation la plus défavorable possible. En

effet, notre modèle n’est pas spécifique

un utilisateur donné : il n’est pas

nécessaire de fournir d’informations

particulières sur la physiologie des

joueurs/joueuses pour évaluer leurs

émotions, un simple enregistrement

initial d’une minute suffit.

Certains passages du texte comportent des phrases beaucoup trop longues pour être

comprises à la première lecture. Il est souvent nécessaire de lire plusieurs fois afin de rétablir

la logique de la phrase (ce qui était par exemple le cas dans l’exemple précédent). Dans cette

phrase, il est difficile d’identifier l’élément auquel « this method » fait référence. Il est

nécessaire de revenir au début du paragraphe pour comprendre que la méthode en question

est la validation croisée, qui est appliquée d’une certaine manière : le classifieur C destiné au

sujet A est entraîné l’aide des données des sujets B, C, D, E, puis testé sur le sujet A. Les

54

données du sujet A n’entrent donc pas en jeu dans l’apprentissage du classifieur : c’est ce que

résume le début de la phrase que nous examinons (« Since the classifier is tested on the data of

participants that are not present in the training set »). J’ai donc choisi d’éliminer la référence

la méthode de validation croisée qui prête à confusion dans la source. La reformulation choisie

permet d’expliciter le lien de causalité (« en appliquant […], nous pouvons […] ») qui n’était pas

évident dans la source.

La seconde difficulté de ce passage a été la longueur de la dernière phrase. Pour plus de

clarté, la phrase a été divisée en deux : une première phrase décrivant l’intérêt de la méthode

utilisée pour les auteurs (analyse du scénario le plus défavorable), et une deuxième phrase

expliquant son fonctionnement d’un point de vue pragmatique (les avantages de la méthode

pour les nouveaux joueurs).

Organisation des blocs de sens 6.

Comme nous l’avons vu dans le point précédent, le choix de certains mots ou termes

peut perturber la logique interne du texte. Dans l’exemple ci-dessous, aucun terme ne prête à

confusion, mais on est confronté un problème de logique issu de l’organisation des éléments

de sens.

The diagonalized versions of the LDA and

the QDA were employed because of the

low number of samples, which sometimes

gives rise to the problem of singular

covariance matrices.

Du fait du nombre réduit d’échantillons,

nous avons utilisé les versions

diagonalisées de LDA et QDA afin d’éviter

les matrices de covariance singulières.

La logique de la phrase peut sembler obscure au lecteur non anglophone du fait de la

présence de « , which » : la virgule suggère que c’est l’utilisation de la solution adaptée à la

situation qui engendre le problème. En supprimant la virgule, la logique de la phrase est

facilement rétablie : les auteurs choisissent une solution adaptée à une situation qui pourrait

engendrer un problème. Pour la traduction, j’ai choisi de réorganiser ces blocs de sens, pour

ainsi obtenir une progression plus logique de type situation > solution > résultat. Ce type de

schéma est d’ailleurs caractéristique de la démarche scientifique, et permet de conserver les

liens de causalité présents dans la source tout en évitant le foisonnement.

55

Explicitation : le cas de flow 7.

Dans les textes plus généraux, le traducteur aura tendance éviter d’ajouter des notes

de bas de page. En revanche, dans les domaines techniques et scientifiques où les concepts sont

extrêmement nombreux et complexes, il est parfois nécessaire de recourir à des notes pour

préciser certaines notions. Afin de ne pas interrompre la lecture de la traduction, je ne

souhaitais pas utiliser de notes de bas de page. Bien qu’il ne figure pas parmi les éléments clés

du texte, le concept du flow présenté dans l’introduction a cependant fait l’objet d’une note du

traducteur.

La notion a été définie par le psychologue Mihály Csíkszentmihályi dans les années

1970, et fait partie du domaine de la psychologie positive. Elle désigne l’état mental

d’immersion totale que l’on peut atteindre lors de la réalisation d’une tche, qui provoque un

sentiment de profonde satisfaction (ce que les anglophones appellent being in the zone). La

tche ou l’activité accomplie peut appartenir au milieu professionnel, au sport, aux loisirs, etc.

Ce concept peut donc être appliqué à de nombreux aspects de notre vie quotidienne, ce qui

peut expliquer sa popularité dans les pays anglophones. Dans le cadre du jeu vidéo,

l’application du flow consiste maximiser l’engagement de l’utilisateur pour une expérience de

jeu optimale : c’est l’objectif que les auteurs du texte souhaitent atteindre l’aide de leur

méthode d’ajustement dynamique de la difficulté.

En revanche, cette théorie n’est arrivée en France que dans les années 2000 avec la

première traduction d’une publication de Mih|ly Csíkszentmih|lyi (en note de bas de page

dans la traduction). L’équivalent proposé pour le concept du flow dans cet ouvrage est

« expérience optimale ». Cependant, les résultats de recherche Google sur le travail du

psychologue montrent qu’avant la traduction de cet ouvrage en français, le terme flow n’était

pas traduit dans les publications francophones (on parle ainsi de « théorie du flow »). Les

équivalents proposés comme « flux » sont en général accompagnés du terme dans la langue

originale entre parenthèses, ainsi :

L'expérience artistique 1 rentre ainsi dans la catégorie d'expériences dite de flux (flow) de la typologie proposée par Csikszentmihalyi (1997) ; c'est une « expérience fondamentalement incorporée » (Joy et Sherry, à paraître).10

10

CARÙ, Antonella et COVA, Bernard. Approche empirique de l'immersion dans l'expérience de consommation: les opérations d'appropriation. Recherche et applications en marketing, 2003, vol. 18, no 2, p. 47-65.

https://www.google.fr/search?q=%22th%C3%A9orie+du+flow%22&safe=off&es_sm=93&biw=1366&bih=643&source=lnt&tbs=cdr%3A1%2Ccd_min%3A%2Ccd_max%3A2003&tbm=#lr=lang_fr&safe=off&tbs=cdr:1%2Ccd_max:2003%2Clr:lang_1fr&q=csikszentmihalyi+flow

56

En utilisant le terme dans sa langue d’origine, il est donc plus probable que la référence soit

comprise par les lecteurs. Néanmoins, j’ai choisi d’ajouter une note comportant l’équivalent

français proposé dans la traduction de l’ouvrage de Mih|ly Csíkszentmih|lyi ainsi qu’une

définition : comme vu plus haut, cette théorie est beaucoup plus connue dans les pays

anglophones que dans les pays francophones. Cette stratégie permet de s’assurer que les

lecteurs (qu’ils soient spécialistes en psychologie ou non) identifient le concept auquel flow fait

référence, quelle que soit la terminologie qu’ils utilisent (expérience optimale, flux, etc.).

Conclusion

Pour traduire un texte spécialisé, il est essentiel d’effectuer les recherches

documentaires et terminologiques nécessaires. Cependant, commencer la traduction

relativement tôt dans l’année permet d’identifier les principales difficultés, aussi bien au

niveau du texte que de la terminologie. Le travail réalisé en cours d’année permet ensuite de

mieux d’approprier le texte et de détecter de potentielles erreurs qui seraient autrement

passées inaperçues, notamment au niveau de la logique interne du texte.

Dans le contexte de l’entreprise, il est malheureusement impossible d’effectuer un tel

travail de préparation : les recherches terminologiques et documentaires sont réservées aux

difficultés les plus critiques. Pour le reste, le traducteur doit pouvoir se fier aux mémoires de

traduction et aux glossaires disponibles : ces supports deviennent un outil vital pour le

traducteur, aussi bien pour la productivité que pour la qualité de la traduction finale. Il est

donc essentiel de s’assurer de la fiabilité des aides la traduction, et d’actualiser les différentes

mémoires ou bases terminologiques régulièrement : en effet, dans certains domaines, la

terminologie est en constante évolution, et de nouveaux termes et néologismes font leur

apparition chaque jour.

À l’image de cette tendance (observable notamment dans le domaine des jeux vidéo), le

travail réalisé dans le cadre de ce mémoire représente un processus d’apprentissage continu.

Chaque recherche effectuée apporte son lot de nouvelles connaissances, qui à leur tour

nourrissent la traduction et l’organisation du domaine terminologique. Le rendu de ce

mémoire ne signifie pas que le domaine et le texte de traduction ont été parfaitement traités ou

compris : c’est une étape qui symbolise l’acquisition d’une base de connaissances permettant

d’appréhender un domaine, voire des domaines. L’étudiant devenu traducteur spécialisé

57

trouverait-il des modifications à apporter à la traduction technique choisie pour ce mémoire

après quelques années d’expérience ? Sans aucun doute. La curiosité, la proactivité et

l’accumulation de connaissances sont les meilleures alliées du traducteur, toutes

spécialisations confondues.

58

III. Traduction alignée

Note : les termes en gras ont été traités dans la base ARTES. Un tableau récapitulatif et un

glossaire (FR et EN) d’aide la traduction figurent dans les annexes.

59

I. INTRODUCTION I. INTRODUCTION

Due to their capability to present information

in an interactive and playful way, computer

games have gathered increasing interest as

tools for education and training [1]. Games

are also interesting from a human–computer

interaction point of view, because they are an

ideal ground for the design of new ways to

communicate with machines. Affective

computing [2] has opened the path to new

types of human–computer interfaces that

adapt to affective cues from the user. As one

of the main goals of games, which is to

provide emotional experiences such as fun

and excitement, affective computing is a

promising area of research to enhance game

experiences. Affective information can be

used to maintain involvement of a player by

adapting game difficulty or content to induce

particular emotional states [3]. For this

purpose, automatic assessment of emotions

is mandatory for the game to adapt in real

time to the feelings and involvement of the

player, without interrupting his/her gaming

experience (like it would be the case by using

questionnaires). This paper thus focuses on

emotion assessment from physiological

signals in the context of a computer game

application.

Les jeux vidéo permettent de transmettre des

connaissances de manière interactive et ludique,

et suscitent de plus en plus d’intérêt dans les

secteurs de l’éducation et de la formation [1].

Dans le cadre des interactions homme-

ordinateur, ces supports pourraient permettre

de concevoir de nouvelles méthodes de

communication avec les machines.

L’informatique affective [2] a déjà ouvert la

voie à la création de nouvelles interfaces

homme-ordinateur capables de s’adapter aux

signaux affectifs des utilisateurs. Puisque

l’objectif principal d’un jeu est de générer des

émotions comme le divertissement et

l’excitation, l’application de l’informatique

affective semble particulièrement prometteuse si

l’on souhaite optimiser l’expérience de jeu. À

l’aide de données affectives, il est possible de

maintenir l’engagement des joueurs/joueuses

en adaptant la difficulté ou le contenu du jeu

pour véhiculer des émotions précises [3]. Dans

ce but, il est indispensable d’automatiser le

traitement des états émotionnels pour que le jeu

puisse s’ajuster en temps réel aux émotions et

l’engagement des joueurs/joueuses sans

interrompre l’expérience de jeu (ce qui serait le

cas en utilisant des questionnaires, par

exemple). Dans cet article, nous nous

concentrons donc sur le traitement des émotions

à partir de signaux physiologiques dans le

cadre d’un jeu sur ordinateur.

60

Physiological signals can be divided into two

categories: those originating from the

peripheral nervous system [e.g., heart rate,

electromyogram, galvanic skin response

(GSR)] and those coming from the central

nervous system [e.g.,

electroencephalogram (EEG)]. In recent

years, interesting results have been obtained

for emotion assessment with the first

category of signals. Very few studies,

however, have used the second category, even

though the cognitive theory of emotions

states that the brain is heavily involved in

emotions [4].

Nous distinguons deux catégories de signaux

physiologiques : ceux qui proviennent du

système nerveux périphérique (p. ex. la

fréquence cardiaque, l’électromyogramme, la

conductance cutanée), et ceux qui proviennent

du système nerveux central (p. ex.

l’électroencéphalogramme ou EEG). Ces

dernières années, les signaux périphériques

ont permis d’obtenir des résultats intéressants

dans le cadre du traitement des émotions. En

revanche, rares sont ceux qui ont étudié les

signaux provenant du système nerveux central,

même si la théorie cognitive des émotions

souligne l’importance du rôle du cerveau [4].

One of the pioneering work on emotion

assessment from peripheral signals is [5]

where the authors detected eight self-induced

emotional states with an accuracy of 81%. In

[6], six emotional states, elicited by film clips,

were classified with an accuracy of 84%. In a

gaming context, Rani et al. [7] proposed to

classify three levels of intensity for different

emotions. The emotions were elicited by

stimulating participants with a Pong game

and anagram puzzles. The best average

accuracy obtained with this method was of

86%. The classifiers developed in this paper

were used in [3] to adjust game difficulty in

real time based on anxiety measures. In this

case, the accuracy dropped to 78%, but a

significant improvement of player experience

was reported compared to difficulty

Dans le travail pionnier sur le traitement des

émotions à partir de signaux périphériques

présenté dans [5], les auteurs ont détecté huit

états émotionnels (volontairement provoqués)

avec une précision de 81 %. Dans [6], six états

provoqués par des clips vidéo ont été classifiés

avec une précision de 84 %. Dans le cadre d’un

jeu, Rani et al. [7] ont proposé une classification

de différentes émotions sur trois niveaux

d’intensité. Celles-ci ont été provoquées l’aide

d’une partie de Pong et d’anagrammes. La

meilleure précision moyenne obtenue grâce à

cette approche a atteint 86 %. Les classifieurs

que nous avons utilisés ont également été

exploités dans [3] pour ajuster la difficulté d’un

jeu en temps réel en mesurant l’anxiété. Dans ce

cas précis, la précision a diminué (78 %), mais

l’engagement des joueurs/joueuses a augmenté

61

adjustment based on performance. This

demonstrates the interest of using affective

computing for the purpose of game

adaptation. In [8], the authors proposed to

continuously assess the emotional state of a

player using an approach based on fuzzy

logic. The obtained results showed that the

emotional state evolved according to the

events of the game, but no exact measure of

performance was reported. Nevertheless, this

tool could be used to include the player’s

experience in the design of innovative video

games. In [9], three emotional states were

detected from peripheral signals with an

accuracy of 53%. The emotions were elicited

by using a Tetris game. This paper is a

significant extension of this work, which, in

particular, now takes into account the

analysis of EEG signals.

de manière significative, par opposition à un

ajustement de la difficulté basé sur la

performance. Cela montre bien les avantages de

l’informatique affective dans le cadre de

l’adaptation de la difficulté d’un jeu. Dans [8], les

auteurs ont traité l’état émotionnel des

joueurs/joueuses en continu grâce à une

méthode basée sur la logique floue. Les

résultats obtenus ont montré l’évolution de l’état

émotionnel en fonction des évènements du jeu,

mais n’ont pas permis de mesurer précisément

la performance. Néanmoins, il serait possible

d’utiliser cet outil dans le cadre du

développement de jeux innovants, afin de

prendre en compte l’expérience des

joueurs/joueuses. Dans [9], les auteurs ont

détecté trois états émotionnels à partir de

signaux périphériques avec une précision de

53 %. Les émotions ont été provoquées l’aide

d’une partie de Tetris. Cet article est le

prolongement de ce travail, mais prend

désormais en compte l’analyse des signaux EEG.

There is an increasing amount of

psychological literature pointing toward the

hypothesis that emotions result from a series

of cognitive processes [10], [11]. There is also

evidence of different patterns of brain activity

during the presentation of emotional stimuli.

For instance, depending on the nature of

reactions (approach or withdrawal),

Davidson [12] showed prefrontal

lateralization of alpha waves as well as

De plus en plus d’études psychologiques

émettent l’hypothèse que les émotions sont le

résultat de processus cognitifs [10] [11].

Certaines ont également mis en lumière

différentes structures d’activité cérébrale

variant en fonction des stimuli émotionnels.

Davidson [12] a par exemple observé une

latéralisation préfrontale du rythme alpha

ainsi qu’une activation marquée des

amygdales selon la nature des différentes

62

distinct activations of the amygdala. Aftanas

et al. [13] reported differences in event-

related desynchronization/synchronization

during the visualization of more or less

arousing images. In the emotional recall

context, Smith et al. [14] showed an

augmentation of activity in the connections

between the hippocampus and the amygdala

during the recollection of negative events

compared to neutral events. These works

emphasize the importance of using brain

signals to improve temporal resolution and

classification accuracy in emotion assessment.

Among the studies that recognize emotional

states from EEG, Takahashi [15] obtained an

accuracy of 42% to recognize five emotional

states elicited by film clips. In [16], three self-

induced emotional states were recognized

with an accuracy of 68%. Other works tried to

infer operator engagement, fatigue, and

workload by using EEG signals in order to

adapt the complexity of a task [17]–[21]. To

our knowledge, however, this paper is the first

to report on the use of EEG signals for

emotion assessment in a gaming paradigm.

réactions (approche ou retrait dans ce

contexte). Aftanas et al. [13] ont quant à eux

découvert des différences de désynchronisation

/ synchronisation en fonction des évènements

lors du visionnage d’images suscitant une

activation psychologique plus ou moins forte.

Sur le plan émotionnel, Smith et al. [14] ont

démontré que l’interaction entre l’hippocampe

et les amygdales est plus forte lorsque le sujet

est confronté à des souvenirs négatifs. À

l’inverse, cette activité diminue dans le cas

d’évènements plus neutres. Ces travaux de

recherche soulignent donc l’importance des

signaux cérébraux dans le cadre du traitement

des émotions : ils peuvent en effet participer à

l’amélioration de la résolution temporelle et de

la précision de la classification. Dans le cadre

d’une étude visant reconnaître des émotions

partir de signaux EEG, Takahashi [15] s’est basé

sur des extraits de films pour reconnaître cinq

états émotionnels, pour lesquels il a atteint une

précision de 42 %. Dans [16], trois états

émotionnels volontairement provoqués ont été

détectés avec une précision de 68 %. D’autres

travaux ont également exploité les signaux EEG

pour estimer le niveau d’engagement de

l’opérateur, sa fatigue et sa charge de travail

afin d’adapter le degré de complexité de la tâche

effectuée [17]-[21]. À notre connaissance, notre

étude est la première à traiter les émotions à

l’aide de signaux EEG dans le cadre du jeu vidéo.

Games can elicit several emotional states, but Les jeux peuvent susciter différentes émotions,

63

knowing all of them is not necessary to

maintain involvement in the game. Many

representations of the player’s affective state

have been used in previous studies like

anxiety, frustration, engagement, distress

scales, and the valence-arousal space [22],

[23]. According to emotion and flow theories

[10], [24], strong involvement in a task occurs

when the skills of an individual meet the

challenge of a task (Fig. 1). Too much

challenge would increase workload which

would then be appraised by the player as

anxiety. Similarly, not enough challenge would

induce boredom. Both these situations would

restrain the player’s ability to achieve a “flow

experience,” leading to less involvement,

engagement, and possibly interruption of the

game [25].

mais il n’est pas nécessaire de toutes les

connaître pour maintenir l’engagement des

joueurs/joueuses. De nombreux travaux ont déjà

étudié les états émotionnels comme l’anxiété, la

frustration, l’engagement, le niveau de détresse

et le modèle de valence-activation (valence-

arousal) [22] [23]. Selon les théories du flow11 et

des émotions [10], [24], l’implication de

l’utilisateur est plus forte lorsque ses

compétences sont égales au niveau requis pour

exécuter une tâche (Fig. 1). Une difficulté trop

élevée augmenterait ainsi la charge de travail, ce

qui se traduirait ensuite par un état d’anxiété

chez les joueurs/joueuses. À l’inverse, le manque

de difficulté pourrait engendrer l’ennui. Dans

ces deux cas, les joueurs/joueuses ne bénéficient

pas d’une « expérience-flux » optimale, ce qui

peut entraîner une baisse d’implication et

d’engagement, voire l’interruption du jeu [25].

In a game, the change from an emotional state

to another can occur due to two main reasons.

First, the difficulty is increased because of the

progression in different levels, but the

increase is too fast compared to the

competence increase of the player (potentially

Dans le cadre d’un jeu, le passage d’un état

émotionnel à un autre est engendré par deux

facteurs principaux. Dans le premier cas, la

difficulté augmente au fil des niveaux, mais à un

rythme trop rapide par rapport l’évolution des

compétences des joueurs/joueuses (ce qui peut

11 Ndt. Le flow, ou l’expérience optimale, désigne un état mental défini comme suit par le psychologue Mihály Csíkszentmihályi : « Voilà ce que nous entendons par expérience optimale. C’est ce que ressent le navigateur quand le vent fouette son visage… C’est le sentiment d’un parent au premier sourire de son enfant. Pareilles expériences intenses ne surviennent pas seulement lorsque les conditions externes sont favorables. Des survivants de camp de concentration se rappellent avoir vécu de riches et intenses expériences intérieures en réaction à des évènements aussi simples que le chant d’un oiseau [...]. Ces grands moments de la vie surviennent quand le corps ou l’esprit sont utilisés jusqu’à leurs limites dans un effort volontaire en vue de réaliser quelque chose de difficile et d’important. L’expérience optimale est donc quelque chose que l’on peut provoquer... Pour chacun, il y a des milliers de possibilités ou de défis susceptibles de favoriser le développement de soi (par l’expérience optimale). »

[Source : CSÍKSZENTMIHÁLYI, Mihály. Vivre : la psychologie du bonheur. Robert Laffont. 2004 (p. 24)]

64

giving rise to anxiety; see Fig. 1). Second, the

competence of the player has increased while

the game remained at the same difficulty

(potentially giving rise to boredom). In both

cases, the challenge should be corrected to

maintain a state of pleasure and involvement,

showing the importance of having games that

adapt their difficulty according to the

competence and emotions of the player. Based

on this theory, we defined three emotional

states of interest that correspond to three well

separated areas of the valence-arousal space:

boredom (negative calm), engagement

(positive excited), and anxiety (negative

excited).

entraîner l’anxiété, voir Fig. 1). Inversement, les

compétences des joueurs/joueuses augmentent

alors que la difficulté du jeu reste inchangée

(provoquant ainsi l’ennui). Dans ces deux

situations, il serait nécessaire de remanier

l’objectif afin de maintenir le niveau de

divertissement et d’implication : l’adaptation de

la difficulté en fonction des compétences des

joueurs/joueuses est donc un aspect

fondamental dans le domaine des jeux vidéo. En

exploitant cette théorie, nous avons défini trois

états émotionnels correspondant à trois parties

distinctes du modèle de valence-activation :

l’ennui (calme négatif), l’engagement (excitation

positive) et l’anxiété (excitation négative).

This paper attempts to verify the validity and

usefulness of the three defined emotional

states by using a Tetris game where the

challenge is modulated by changing the level

of difficulty. Self-reports as well as

physiological activity were obtained from

players by using the acquisition protocol

described in Section II. Using those data, three

analyses were conducted. The first aims at

validating the applicability of the flow theory

for games (see Section III). In the second

analysis, detailed in Section IV, physiological

signals were used for the purpose of

classification of the different states. In this

case, since one of the goals of this paper is to

go toward applications, particular attention

L’objectif de cette étude est de confirmer la

validité et l’utilité des trois émotions citées plus

haut l’aide d’un jeu de Tetris modulable grce

l’ajustement de la difficulté. Dans la Section II,

nous décrivons le protocole d’acquisition des

questionnaires remplis par les joueurs/joueuses

et de leur activité physiologique. Dans la Section

III, nous présentons trois analyses que nous

avons appliquées aux données rassemblées. La

première nous a permis de confirmer

l’application de la théorie du flow dans le cadre

des jeux vidéo (voir Section III). La Section IV

décrit notre approche de classification des trois

émotions l’aide des signaux physiologiques.

Puisque l’application des outils étudiés figure

parmi nos objectifs, nous avons accordé une

65

was paid to designing classifiers that could be

used for any gamer without having to retrain

it.

importance particulière à la conception des

classifieurs : il est en effet nécessaire de choisir

des classifieurs que chaque joueur/joueuse

pourrait utiliser sans avoir à les entraîner de

nouveau.

IV. CLASSIFICATION OF THE GAMING

CONDITIONS USING PHYSIOLOGICAL

SIGNALS

IV. CLASSIFICATION DES CONDITIONS DE JEU À

L’AIDE DES SIGNAUX PHYSIOLOGIQUES

A. Classification Methods A. Méthodes de classification

In this section, the classification accuracy that

can be expected from emotion assessment is

investigated. For this purpose, classification

methods were applied on the data gathered

from the gaming protocol. The ground-truth

labels were defined as the three gaming

conditions, each one being associated to one

of the three states: boredom (easy condition),

engagement (medium condition), and anxiety

(hard condition).

Dans cette section, nous nous penchons sur la

précision de la classification pour le traitement

des émotions. Nous avons appliqué des

méthodes de classification aux données

rassemblées pendant le protocole de jeu. Les

étiquettes de vérité-terrain correspondent aux

trois conditions de jeu, elles-mêmes associées

aux états émotionnels qu’elles engendrent :

ennui (condition facile), engagement (condition

intermédiaire) et anxiété (condition difficile).

Three classifiers were applied on this data set:

a linear discriminant analysis (LDA), a

quadratic discriminant analysis (QDA), and

a support vector machine (SVM) with

radial basis function (RBF) kernel [37],

Trois classifieurs ont été appliqués à cet

ensemble de données : une analyse

discriminante linéaire (LDA), une analyse

discriminante quadratique (QDA) et une

machine à vecteurs de support (SVM) avec

66

[38]. The diagonalized versions of the LDA

and the QDA were employed because of the

low number of samples, which sometimes

gives rise to the problem of singular

covariance matrices. The size of the RBF

kernel was chosen by applying a five-fold

cross-validation procedure on the training

set and finding the size yielding the best

accuracy. The tested size values belonged to

the 5.10−3–5.10−1 range with a step of 5.10−3.

noyau à base radiale (RBF) [37] [38]. Du fait

du nombre réduit d’échantillons, nous avons

utilisé les versions diagonalisées de LDA et QDA

afin d’éviter les matrices de covariance

singulières. La taille du noyau RBF a été

sélectionnée l’aide d’une procédure de

validation croisée 5-fold appliquée à

l’ensemble d’apprentissage pour déterminer la

dimension garantissant la meilleure précision.

Les valeurs de dimension testées sont comprises

dans l’intervalle 5.10−3–5.10−1 avec un pas

d’avancement de 5.10−3.

The following cross-validation method was

employed to compute the test accuracy of the

classifiers. For each participant, a classifier

was trained using the features of other

participants; accuracy was then computed by

applying the trained model on the

physiological data of the tested participant.

Since the classifier is tested on the data of

participants that are not present in the

training set, this method allows evaluating the

performance of the classifier in the worst case

where the model is not user specific, i.e., no

information about the specificity of the user’s

physiology is required for emotion

assessment, except for a baseline recording of

1 min. Due to the interparticipant variability

that remains in physiological activity after

baseline subtraction, player-independent

classifiers will certainly yield a lower

accuracy than player-dependant classifiers.

Nous avons ensuite calculé la précision-test des

classifieurs l’aide de la méthode de validation

croisée suivante. Nous avons entraîné un

classifieur par participant l’aide des

caractéristiques des autres sujets. La précision

du classifieur a ensuite été calculée en

appliquant le modèle entraîné aux données

physiologiques du sujet testé. En appliquant le

classifieur aux données des sujets non incluses

dans l’ensemble d’apprentissage, nous pouvons

étudier la performance du classifieur dans la

situation la plus défavorable possible. En effet,

notre modèle n’est pas spécifique un utilisateur

donné : il n’est pas nécessaire de fournir

d’informations particulières sur la physiologie

des joueurs/joueuses pour évaluer leurs

émotions, un simple enregistrement initial d’une

minute suffit. Il faudra s’attendre ce que ces

classifieurs indépendants soient moins précis

que les classifieurs entraînés l’aide des

67

However, this approach allows designing

applications where it is not necessary to train

a classifier for each user which is drastically

time consuming [3].

données des joueurs/joueuses : en effet, l’activité

physiologique varie d’un sujet l’autre une fois

l’enregistrement initial éliminé. Cette approche

permet cependant de concevoir des applications

qui ne requièrent pas l’entraînement d’un

classifieur par utilisateur, un procédé

extrêmement chronophage [3].

Three feature-selection algorithms were

applied on this problem to find the features

that provide good generalization across

participants. All those algorithms were

applied on the training set to select features

of interest, and only the selected features

were used for the classification of the test set.

An ANOVA feature selection was applied to

keep only the features that are relevant to the

class concept (p-value < 0.1). The fast

correlation-based filter (FCBF) [39] was

applied to select relevant features and remove

redundant ones. The δFCBF threshold was set

to 0.2 because of the following: 1) It was

shown in [40] that this value is relevant for

FCBF EEG feature selection; and 2) the

number of features that has a correlation with

the classes higher than 0.2 (7 for peripheral

features and 23 for EEG features) is similar to

the number of relevant features found using

the ANOVA test (10 for peripheral features

and 20 for EEG features). Finally, the

sequential forward floating selection

(SFFS) algorithm [41] was also used to select

Face à ce problème, nous avons utilisé trois

algorithmes de sélection de caractéristiques

pour identifier les caractéristiques proposant

une bonne généralisation chez tous les

participants. Ces algorithmes ont été appliqués à

l’ensemble d’apprentissage afin de sélectionner

les caractéristiques dignes d’intérêt. La

classification de l’ensemble de test a ensuite été

réalisée exclusivement l’aide des

caractéristiques retenues. Le test ANOVA

(analyse de la variance) nous a permis de

sélectionner uniquement les caractéristiques

pertinentes par rapport au concept de classe

(valeur-p < 0,1). L’algorithme FCBF (fast

correlation-based filter) [39] a également

réalisé une sélection des caractéristiques

pertinentes, tout en éliminant les

caractéristiques redondantes. Le seuil δFCBF a

été fixé à 0,2 pour les raisons suivantes :

- cette valeur est pertinente pour la section de

caractéristiques EEG avec FCBF selon [40] ;

- le nombre de caractéristiques en corrélation

avec les classes supérieures à 0,2 (7 pour les

68

features of interest, including potentially

interacting features. To search for features

that have good generalization across

participants, the accuracy of a feature subset

was estimated by computing the participant

cross-validation accuracy on the training set.

The maximum size of a feature subset for the

SFFS algorithm was set to 18 for peripheral

features and 20 for EEG features.

caractéristiques périphériques et 23 pour les

caractéristiques EEG) est similaire au nombre de

caractéristiques pertinentes retenues par le test

ANOVA (10 pour les caractéristiques

périphériques et 20 pour les caractéristiques

EEG).

Enfin, les caractéristiques dignes d’intérêt (y

compris les caractéristiques en interaction avec

d’autres) ont été sélectionnées l’aide de

l’algorithme SFFS (sequential floating forward

selection) [41]. Nous avons également évalué la

précision d’un sous-ensemble de

caractéristiques en calculant la précision de la

validation croisée des participants par rapport à

l’ensemble d’apprentissage, ce qui nous a permis

d’identifier les caractéristiques offrant une

généralisation satisfaisante pour l’ensemble des

joueurs/joueuses. La dimension maximum du

sous-ensemble de caractéristiques pour SFFS a

été fixée à 18 pour les caractéristiques

périphériques et à 20 pour les caractéristiques

EEG.

Fig. 5. Accuracies of the different classifiers

and feature-selection methods on the

Fig. 5. Précision des classifieurs et des méthodes

de sélection de caractéristiques pour les

Pré

cis

ion Pas de car.

sélect.

69

peripheral features.

caractéristiques périphériques.

The fusion of the EEG and peripheral

information was performed to improve

classification accuracy. This fusion was

performed at the decision level [42], by

combining the outputs of the classifiers using

the Bayes’ belief integration [43]. For Bayes’

belief integration, the errors produced by the

classifiers are expressed by the probabilities

that a classifier q estimates a class as

being , while the true class was y. These

probabilities can be computed from the

confusion matrices obtained from the

training set. The fusion is then performed by

assuming classifier independency and

choosing the class y that maximizes the

following probability:

(2)

where Q is the ensemble of classifiers used for

the fusion.

Afin d’améliorer la précision de la classification,

nous avons procédé à une fusion de décision

[42] des données EEG et périphériques en

combinant les sorties des classifieurs l’aide de

l’intégration de la croyance de Bayes [43].

Dans le cadre de cette intégration, les erreurs

produites par les classifieurs sont exprimées par

les probabilités : un classifieur

estime qu’une classe est égale , alors que la

classe réelle est égale à . Ces probabilités

peuvent être calculées grâce aux matrices de

confusion obtenues l’aide de l’ensemble

d’apprentissage. La fusion est ensuite réalisée en

tenant compte de l’hypothèse d’indépendance

des classifieurs et en choisissant la classe y qui

permet de maximiser la probabilité

(2)

où représente l’ensemble des classifieurs

utilisés pour la fusion.

Since the EEG signals were recorded only for

14 out of the 20 participants, the available

number of samples for EEG-based

classification is not the same as for

peripheral-based classification. For this

reason, the results obtained from EEG and

peripheral features are separated in two

sections with classification algorithm applied

Comme les signaux EEG n’ont été enregistrés que

pour 14 des 20 participants, le nombre

d’échantillons disponibles pour les

classifications EEG et périphérique diffèrent.

Pour cette raison, nous avons séparé les

résultats tirés des caractéristiques EEG et

périphériques en deux sections : l’algorithme de

classification a été appliqué à 14 participants

70

on 14 participants for EEG and 20

participants for peripheral features. In Section

IV-D, the classification accuracies obtained

with EEG and peripheral features on different

time scales are compared, while the fusion of

peripheral and EEG modalities is investigated

in Section IV-E. In both cases, the

classification accuracy was computed only on

the 14 participants having EEG recorded.

pour l’EEG et 20 participants pour les signaux

périphériques. Nous avons ensuite comparé la

précision de la classification des caractéristiques

EEG et périphériques sur différentes durées

(Section IV-D). La fusion des modalités EEG et

périphérique est détaillée dans la section IV-E.

Dans les deux cas, la précision de la classification

n’a été calculée que pour les 14 participants

disposant d’enregistrements EEG.

B. Peripheral Signals B. Signaux périphériques

Fig. 5 presents the accuracies obtained by

applying the classification methods on the

features extracted from the peripheral signals.

Without feature selection, the LDA obtained

the best accuracies of 54% showing its ability

to find a boundary that generalizes well

across participants. In any case, the accuracies

are higher than the random level of 33%.

Except for the ANOVA, the feature-selection

methods always improved the classification

accuracies. The best accuracy of 59% is

obtained with the QDA combined with the

SFFS feature selection. However, the FCBF

results (58%) are not significantly different

from those obtained with the SFFS algorithm

because of the high variance of the accuracies.

Moreover, the variance of the accuracies

obtained with SFFS tends to be higher than

those obtained with the FCBF which shows

that the FCBF is more stable than the SFFS

algorithm in selecting the proper features.

According to the results and considering that

La Fig. 5 représente la précision obtenue grâce à

l’application des méthodes de classification aux

caractéristiques extraites des signaux

périphériques. Sans la sélection de

caractéristiques, LDA a obtenu la meilleure

précision à 54 %, et permet donc de déterminer

une frontière disposant d’une généralisation

satisfaisante pour l’ensemble des participants.

Dans tous les cas, les précisions sont supérieures

au seuil aléatoire de 33 %. À l’exception

d’ANOVA, toutes les méthodes de sélection de

caractéristiques ont permis d’améliorer la

précision de la classification. La combinaison de

QDA et de l’algorithme SFFS fournit la meilleure

précision à 59 %. Les résultats obtenus avec

FCBF (58 %) sont néanmoins très similaires à

ceux de SFFS du fait de la variance élevée de la

précision. De plus, la variance de précision

obtenue avec SFFS est souvent plus élevée

qu’avec FCBF : ce dernier est donc plus stable

que l’algorithme SFFS pour la sélection des

caractéristiques adéquates. Si l’on tient compte

71

the FCBF is much faster than the SFFS, the

FCBF can be considered as the best feature-

selection algorithm for this classification

scheme.

des résultats obtenus et de sa vitesse

(supérieure à SFFS), la sélection de

caractéristiques FCBF est la mieux adaptée à ce

processus de classification.

Since the participant cross-validation method

was used, the feature-selection algorithms

were applied 20 times on different training

sets. For this reason, the features selected at

each iteration of the cross-validation

procedure can be different. The histograms of

Fig. 6 show, for each feature, the number of

times it was selected by a given feature-

selection algorithm. The average number of

selected features is 3.5 for the FCBF, 9.35 for

the ANOVA feature selection, and 4.8 for the

SFFS. The ANOVA nearly always selected the

features that were found to be relevant in

Section III-A but with poor resulting accuracy

(Fig. 5). Owing to the removal of redundant

features, the FCBF strongly reduces the

original size of the feature space with a good

resulting accuracy. Moreover, this algorithm

nearly always selected the same features

independently of the training set showing its

stability. The SFFS also obtained good

performance, but as can be seen from Fig. 6,

some of the features were selected only on

some of the training sets, showing that this

algorithm is less stable than the FCBF.

Comme nous avons choisi d’utiliser la méthode

de validation croisée, chaque algorithme de

sélection de caractéristiques a été appliqué 20

fois différents ensembles d’apprentissage. Les

caractéristiques sélectionnées à chaque itération

peuvent donc être différentes. Les histogrammes

de la Fig. 6 montrent combien de fois chaque

caractéristique a été sélectionnée par chaque

algorithme de sélection de caractéristiques. Le

nombre moyen de caractéristiques sélectionnées

est de 3,5 pour FCBF, 9,35 pour ANOVA et 4,8

pour SFFS. Le test ANOVA a presque toujours

réussi à sélectionner les caractéristiques

identifiées comme pertinentes dans la Section

III-A, au détriment cependant de la précision

(Fig. 5). En éliminant les caractéristiques

redondantes, FCBF réduit considérablement la

taille originale de l’espace de description, ce qui

permet d’obtenir une bonne précision. De plus,

l’algorithme a quasiment toujours sélectionné les

mêmes caractéristiques, quel que soit l’ensemble

d’apprentissage, ce qui prouve sa stabilité.

L’algorithme SFFS est également performant,

mais comme en atteste la Fig. 6, il tend à ne

sélectionner certaines caractéristiques que dans

certains ensembles d’apprentissage : il est donc

72

moins stable que FCBF.

By inspecting the SFFS, FCBF, and ANOVA

selected features, the ∫

and

∫

features were always selected

which shows their importance for the

classification of the three conditions from

physiological signals. To our knowledge,

similar features have been used only in [44]

for emotion assessment despite of their

apparent relevance. The µHR feature was

frequently selected by the FCBF but never by

the SFFS and vice versa for the σResp feature.

The σResp feature was removed by the FCBF

because it was correlated with µHR. However,

the SFFS kept the σResp feature based on its

predictive accuracy which suggests that this

feature may be better than µHR for

classification. Finally, the temperature

features were also found to be frequently

relevant.

Nous nous sommes ensuite penchés plus en

détail sur ces résultats : SFFS, FCBF et ANOVA

ont toujours sélectionné les caractéristiques

∫

et∫

, qui sont donc

importantes pour la classification des trois

conditions l’aide des signaux physiologiques. À

notre connaissance, ces caractéristiques n’ont

été utilisées que par [44] dans le cadre du

traitement des émotions, malgré leur pertinence

évidente. La caractéristique µHR a souvent été

sélectionnée par FCBF, mais jamais par SFFS. On

observe le phénomène inverse pour la

caractéristique σResp. FCBF a en effet éliminé

cette dernière en raison de sa corrélation avec

µHR. Cependant, SFFS a conservé la

caractéristique σResp du fait de son exactitude

prédictive, suggérant ainsi sa supériorité par

rapport à µHR à des fins de classification. Enfin,

les caractéristiques de température se sont

fréquemment avérées pertinentes.

Because of its good accuracy and low

computational time, the FCBF algorithm

coupled with QDA classification was used for

further analyses involving the peripheral

modality. Table V presents the confusion

matrix for the three classes: It can be seen

that the boredom condition was well

classified, followed by the anxiety condition.

Samples from the engagement condition tend

Compte tenu de sa bonne précision et de sa

rapidité en termes de calcul, nous avons utilisé

l’algorithme FCBF en association avec le

classifieur QDA pour effectuer une analyse plus

poussée de la modalité périphérique. Le Tableau

V représente la matrice de confusion pour les

trois classes : la condition d’ennui affiche une

bonne classification, suivie de la condition

d’anxiété. Les échantillons appartenant la

73

to be classified mostly as bored samples and

also as anxious samples. This is not surprising

since this condition lies in between the others.

Notice that 21% of the samples belonging to

the anxiety class are classified as bored

samples; this can be due to the fact that some

participants completely disengaged from the

task because of its difficulty, reaching an

emotional state close to boredom. In this case,

the adaptive game we propose would increase

the level of difficulty since the detected

emotion would be boredom, which is not the

proper decision to take. A solution to correct

this problem could be to use contextual

information such as the current level of

difficulty and the direction of the last change

in difficulty (i.e., increase or decrease) to

correctly determine the action to take.

condition d’engagement ont en revanche

souvent été attribués aux conditions d’ennui ou

d’anxiété. Ce résultat était prévisible, puisqu’il

s’agit d’une condition intermédiaire. Il convient

également de noter que 21 % des échantillons

appartenant la classe de l’anxiété ont été

affectés la classe de l’ennui : certains

participants avaient en effet abandonné leur

tâche du fait de la difficulté et atteint un état

émotionnel proche de l’ennui, ce qui pourrait

expliquer les résultats de cette classification.

Dans cette situation, notre jeu adaptatif

augmenterait la difficulté suite à la détection de

l’ennui : ce n’est malheureusement pas la bonne

solution. Pour remédier à ce problème, il

faudrait par exemple exploiter les informations

contextuelles comme le niveau de difficulté

actuel et la nature du dernier changement

(augmentation ou réduction de la difficulté).

Fig. 6. Histograms of the number of cross-

validation iterations (over a total of 20) in

which the features have been selected by the

FCBF, ANOVA, and SFFS feature-selection

algorithms. The SFFS feature selection is

displayed for the QDA classification.

Fig. 6. Histogrammes du nombre d’itérations de

validation croisée (pour un total de 20) avec les

algorithmes de sélection de caractéristiques

FCBF, ANOVA et SFFS. La sélection de

caractéristiques SFFS représentée est basée sur

la classification QDA.

74

TABLE V

CONFUSION MATRIX FOR THE QDA

CLASSIFIER

WITH FCBF FEATURE SELECTION

TABLEAU V

MATRICE DE CONFUSION POUR LE

CLASSIFIEUR QDA AVEC SÉLECTION DE

CARACTÉRISTIQUES FCBF

Estimée

Réelle

Facile

(ennui)

Intermédiaire

(engagement)

Difficile

(anxiété)

Facile (ennui) 80 % 10 % 10 %

Intermédiaire

(engag.) 37 % 33 % 30 %

Difficile (anxiété) 21 % 19 % 60 %

Fig. 7. Accuracies of the different classifiers

and feature-selection methods on the EEG

features.

Fig.7. Précision des différents classifieurs et

méthodes de sélection de caractéristiques pour

les caractéristiques EEG.

C. EEG Signals C. Signaux EEG

All the classification methods obtained

accuracy higher than the random level of 33%

(Fig. 7). Without feature selection, the LDA

had the best accuracy of 49%, followed by the

RBF SVM with 47%. As with the peripheral

La précision obtenue par l’ensemble des

méthodes de classification est supérieure au

seuil aléatoire de 33 % (Fig. 7). Sans la sélection

de caractéristiques, le classifieur LDA dispose de

la meilleure précision à 49 %, suivi de RBF SVM

Pré

cis

ion Pas de car.

sélect.

75

features, these results demonstrate the ability

of linear and support vector classifiers to well

generalize across the participants. The best

result of 56% was obtained by the LDA

coupled with ANOVA feature selection. The

ANOVA feature-selection method always had

a better performance than the other methods.

To our knowledge, these are the first results

concerning the identification of gaming

conditions from EEG signals, particularly

considering that the classifiers were trained

using a cross-participant framework.

à 47 %. Comme pour les signaux périphériques,

ces résultats montrent que les classifieurs

linéaires et les machines à vecteurs de support

disposent d’une généralisation satisfaisante pour

l’ensemble des participants. La combinaison

LDA-ANOVA a obtenu le meilleur résultat, à

56 %. La performance d’ANOVA a

systématiquement surpassé celle des autres

algorithmes de sélection de caractéristiques. À

notre connaissance, ces résultats sont les

premiers qui permettent d’identifier les

conditions de jeu à partir des signaux EEG, en

particulier lorsque l’on tient compte de

l’entraînement croisé des classifieurs sur les

participants.

As can be seen from Fig. 8, the FCBF selected

less features than the two other feature-

selection methods. It selected 3.1 features in

average compared to 20.3 for the ANOVA and

13.0 for the SFFS coupled with the LDA. This

explains the low accuracy obtained with the

FCBF and shows that good accuracies on this

problem can be obtained only by

concatenating several features. The ANOVA

algorithm often selected the features

described in Section III-A. The SFFS coupled

with the LDA had accuracies close to those of

the ANOVA with LDA but by selecting less

features in average. For this reason, the

features selected by this method are of

particular importance for accurate

classification of the three gaming conditions.

Comme l’indique la Fig. 8, FCBF a sélectionné

moins de caractéristiques que les deux autres

méthodes, avec 3,1 caractéristiques en moyenne,

par opposition à ANOVA à 20,3 et SFFS-LDA à

13,0. Cela explique le manque de précision de

FCBF et montre que la seule solution pour

obtenir des résultats précis est de rassembler

plusieurs caractéristiques. L’algorithme ANOVA

a souvent sélectionné les caractéristiques

figurant dans la Section III-A. La combinaison

SFFS-LDA a obtenu une précision similaire à

ANOVA-LDA, mais en sélectionnant moins de

caractéristiques en moyenne. Celles-ci revêtent

donc une importance particulière dans la

classification précise des trois conditions de jeu.

Les caractéristiques les plus souvent

sélectionnées (plus de huit fois) sont les

76

The more often selected features (selected

more than eight times) were the theta band

energies of the T7, O1, Cz, P4, and P3

electrodes and the beta band energies of the

P7, Pz, and O2 electrodes. This result shows

that the occipital and parietal lobes were

particularly useful for the differentiation of

the three gaming conditions.

suivantes :

- rythme thêta des électrodes T7, O1, Cz, P4, et

P3 ;

- rythme bêta des électrodes P7, Pz, et O2.

Ces résultats montrent que les lobes occipital et

pariétal se révèlent particulièrement utiles pour

la différenciation des trois conditions de jeu.

The confusion matrix displayed in Table VI for

the LDA and FCBF methods shows that the

different classes were detected with similar

accuracies. The medium condition still has the

lowest accuracy but is better detected than

when using the peripheral features. On the

other hand, the easy condition is detected

with less accuracy than with peripheral

features. This indicates that the fusion of the

two modalities should increase the overall

accuracy.

La matrice de confusion présentée dans le

Tableau VI montre que les méthodes LDA et

FCBF ont détecté les différentes classes avec un

degré de précision similaire. La condition

intermédiaire reste la moins précise, mais sa

détection a été meilleure qu’avec les

caractéristiques périphériques. À l’inverse, les

caractéristiques périphériques ont permis de

détecter la condition facile de manière plus

précise. Ce résultat montre que la fusion des

deux modalités devrait permettre d’améliorer la

précision globale.

D. EEG and Peripheral Signals D. Signaux périphériques et EEG

Fig. 8. Histograms of the number of cross- Fig. 8. Histogrammes du nombre d’itérations de

77

validation iterations (over a total of 14) in

which features have been selected by the

FCBF, ANOVA, and SFFS feature-selection

algorithms. The SFFS feature selection is

displayed for the LDA classification.

validation croisée (pour un total de 14) avec

FCBF, ANOVA et SFFS. La sélection SFFS

représentée est basée sur la classification LDA.

TABLE VI

CONFUSION MATRIX FOR THE LDA

CLASSIFIER WITH ANOVA FEATURE

SELECTION

TABLEAU VI

MATRICE DE CONFUSION POUR LE

CLASSIFIEUR LDA AVEC SÉLECTION DE

CARACTÉRISTIQUES ANOVA

Estimée

Réelle

Facile

(ennui)

Intermédiaire

(engagement)

Difficile

(anxiété)

Facile (ennui) 57 % 43 % 0 %

Intermédiaire

(engag.) 21 % 50 % 29 %


In order to compare the accuracies obtained

using either EEG or peripheral signals, the

best combinations of classifiers and feature-

selection methods were applied on the

physiological database with the same number

of participants for both modalities (the 14

participants for whom EEG was recorded).

Moreover, the comparison was conducted for

different time scales to analyze the

performance of each modality as a function of

the signal duration used for the feature

computation. For this purpose, each session

(see Fig. 2) was divided into one to ten

nonoverlapping windows of 300/W s, where

W is the number of windows and 300 s is the

duration of a session. EEG and peripheral

features were then computed from each

Afin de comparer les précisions obtenues avec

les signaux EEG ou périphériques, nous avons

appliqué les meilleures combinaisons de

classifieurs et de méthodes de sélection de

caractéristiques à la base de données

physiologiques pour le même nombre de

participants sur les deux modalités (les 14

participants dont les signaux EEG ont été

enregistrés). De plus, nous avons réalisé la

comparaison sur différentes durées afin

d’évaluer la performance de chaque modalité en

fonction de la durée du signal utilisée pour le

calcul des caractéristiques. Nous avons donc

divisé chaque session (voir Fig. 2) en plusieurs

fenêtres de (entre 1 et 10, sans

chevauchement), où représente le nombre de

fenêtres et représente la durée d’une

78

window, and the label of the session was

attributed to these features. By using this

method, a database of physiological features

was constructed for each window size ranging

from 30 to 300 s.

session. Les caractéristiques EEG et

périphériques ont ensuite été traitées pour

chaque fenêtre, et l’étiquette de la session leur a

été attribuée. Grâce à cette méthode, nous avons

constitué une base de données des

caractéristiques physiologiques pour chaque

durée, de à .

For a database in which the features were

computed from W windows, the number of

samples for each class is 20 × 2 × W (20

participants, 2 sessions per class, and W

windows per session). Thus, the number of

samples per class increases with W.

Pour une base de données dans laquelle les

caractéristiques ont été traitées à partir de

fenêtres, le nombre d’échantillons pour chaque

classe est de (20 participants, 2

sessions par classe, fenêtres par session). Le

nombre d’échantillons par classe augmente donc

en fonction de .

Since the number of samples can influence

classification accuracy and the goal of this

study is to analyze the performance of EEG

and peripheral features at different time

scales, it is important that this comparison be

conducted with the same number of samples

for each window’s length. To satisfy this

constraint, one sample was chosen randomly

from each session using a uniform

distribution to have 20 × 2 = 40 samples per

class. The classification algorithms were then

applied on this reduced database. This was

repeated 1000 times for each value of W to

account for the different possible

combinations of the windows (except for W =

1). Notice that it is not possible to perform

classification for all window combinations

Le nombre d’échantillons pouvant influencer la

précision de la classification, et l’objectif de cette

étude étant d’analyser la performance des

caractéristiques périphériques et EEG sur

différentes échelles de temps, il est important

d’effectuer la comparaison l’aide d’un même

nombre d’échantillons pour chaque durée de

fenêtre. Dans ce but, un échantillon par session a

été choisi au hasard grâce à une distribution

uniforme, pour ainsi obtenir

échantillons par classe. Nous avons ensuite

appliqué les algorithmes de classification à cette

base de données réduite. Nous avons utilisé ce

processus 1 000 fois pour chaque valeur de

afin de prendre en compte les différentes

combinaisons de fenêtres (sauf pour ). Il

convient de noter qu’il est impossible

79

since there are W40 of such combinations. d’appliquer la classification l’ensemble des

combinaisons de fenêtres, dont le nombre

s’élève F40.

By using this method, the average accuracies

over the 1000 iterations are displayed in Fig.

9. The small accuracy oscillations that can be

observed for small time windows (less than

100 s) are likely due to the increase of the

number of possible combinations of windows.

As can be seen from Fig. 9, the accuracy

obtained for the peripheral signals with the

original duration of the sessions (300 s) is not

significantly different from the one obtained

with all of the 20 participants (see Section IV-

B). Thus, having 13 or 19 participants for

classifier training (because of participant

cross validation) does not significantly change

the classification performance. This suggests

that adding more participants to the current

database would not increase classification

accuracies, and that, recording 14 to 20

participants is enough to obtain reliable

accuracy estimations.

La Fig. 9 présente la précision moyenne obtenue

avec cette méthode pour 1 000 itérations. Pour

les fenêtres les plus courtes (moins de 100 s),

nous observons de légères variations en termes

de précision, probablement dues à

l’augmentation du nombre de combinaisons

possibles entre les fenêtres. Comme le montre la

Fig. 9, la précision obtenue pour les signaux

périphériques sur la durée initiale des sessions

(300 s) est sensiblement similaire à celle

obtenue pour l’ensemble des 20 participants

(voir Section IV-B). Le nombre de participants

sollicités pour l’entraînement des classifieurs n’a

donc pas d’incidence significative sur la

performance de la classification (grâce à la

validation croisée entre les participants). Ce

phénomène suggère qu’il serait inutile d’ajouter

de nouveaux participants à la base de données

dans le but d’améliorer la précision de la

classification : les enregistrements de 14 à

20 participants sont suffisants pour obtenir des

estimations de précision fiables.

80

Fig. 9. Classification accuracy as a function of

the duration of a trial for EEG and peripheral

features.

Fig. 9. Précision de la classification en fonction

de la durée d’un essai pour les caractéristiques

EEG et périphériques.

TABLE VII

CONFUSION MATRIX FOR THE “BAYES’

BELIEF INTEGRATION” FUSION

TABLEAU VII

MATRICE DE CONFUSION POUR LA FUSION

« INTÉGRATION DE LA CROYANCE DE BAYES »

Estimée

Réelle

Facile

(ennui)

Intermédiaire

(engagement)

Difficile

(anxiété)

Facile (ennui) 82 % 14 % 4 %

Intermédiaire

(engag.) 29 % 39 % 32 %


For both modalities, decreasing the duration

of the window on which the features are

computed leads to a decrease of accuracy.

However, this decrease is stronger for

peripheral features than for EEG features. For

the EEG features, the accuracy drops from

56% for windows of 300 s to around 51% for

windows of 30–50 s. For the peripheral

La diminution de la durée de la fenêtre pour

laquelle les caractéristiques sont traitées

entraîne une baisse de précision des deux

modalités. Celle-ci est plus importante pour les

caractéristiques périphériques que pour les

caractéristiques EEG. Pour ces dernières, la

précision passe de 56 % pour les fenêtres de

300 s à environ 51 % pour les fenêtres de 30-

Pré

cis

ion

Durée de la fenêtre (en secondes)

EEG avec DLDA et ANOVA

Périphérique avec DQDA et FCBF

81

features, the accuracy is 57% for windows of

300 s and around 45% for windows of 30–50

s. Moreover, the EEG accuracy remains

approximately the same for windows having

duration inferior to 100 s, while the

peripheral accuracy continues to decrease. All

those results demonstrate that the EEG

features are more robust on short-term

assessment than the peripheral features. For

our application, adapting the difficulty of the

Tetris game based on the physiological signals

gathered during precedent 5 min may be

undesirable since there is a high probability

that the difficulty of the game has changed

during this laps of time due to usual game

progress. Having modalities, like EEG, that are

able to estimate the state of the user on

shorter time periods is thus of great interest.

50 s. Dans le cas des caractéristiques

périphériques, la précision s’élève 57 % pour

les fenêtres de 300 s, et atteint environ 45 %

pour les fenêtres de 30-50 s. De plus, la précision

EEG reste relativement stable pour les fenêtres

d’une durée inférieure 100 s, tandis que la

précision périphérique continue de diminuer.

Ces résultats montrent que les caractéristiques

EEG sont plus robustes que les caractéristiques

périphériques sur de courtes durées. Dans le

cadre de notre étude, l’adaptation de la difficulté

du jeu Tetris en fonction des signaux

physiologiques enregistrés pendant les

5 minutes précédentes pourrait se révéler

indésirable : en effet, il est fortement probable

que la difficulté change pendant cette période

compte tenu de la vitesse de progression

normale du jeu. Il est donc très utile de disposer

de modalités comme l’EEG capables d’estimer

l’état émotionnel de l’utilisateur sur des périodes

plus courtes.

E. Fusion E. Fusion

As can be seen from the confusion matrices

obtained from the classification based on the

peripheral and EEG features (Tables V and

VI), the errors made with these two feature

sets are quite different. The Bayes’ belief

integration is well suited for this type of

problem and, thus, was employed for the

fusion of the best classifiers found for each

feature set (the LDA couples with ANOVA for

EEG features and the QDA couples with FCBF

Comme l’indiquent les matrices de confusion

obtenues grâce à la classification des

caractéristiques périphériques et EEG (Tableaux

V et VI), les erreurs des deux ensembles de

caractéristiques sont sensiblement différentes.

L’intégration de la croyance de Bayes est

particulièrement utile pour ce type de problème,

c’est pourquoi nous l’avons employée pour

fusionner les meilleurs classifieurs de chaque

ensemble de caractéristiques (LDA-ANOVA pour

82

for peripheral features). Another advantage of

the Bayes’ belief integration is that the

probabilities P(y|yˆq) as in (2) can be

estimated independently for the two

classifiers. It was thus possible to use the

training data of 19 participants to compute

probabilities for the peripheral features, while

only 13 participants were used for the EEG

features. The resulting accuracy and

confusion matrices were obtained by using

the participant cross validation applied on the

14 participants for whom both EEG and

peripheral activity were recorded.

les caractéristiques EEG, QDA-FCBF pour les

caractéristiques périphériques). L’intégration de

la croyance de Bayes permet également

d’estimer les probabilités (voir (2))

séparément pour chacun des deux classifieurs.

Nous avons donc pu utiliser les données

d’apprentissage de 19 participants pour calculer

les probabilités des caractéristiques

périphériques, contre 13 participants pour les

caractéristiques EEG. La précision et les matrices

de confusion issues de cette fusion ont été

obtenues grâce à une validation croisée

appliquée aux 14 participants disposant à la fois

d’enregistrements EEG et périphériques.

The accuracy obtained after fusion was 63%

which corresponds to an increase of 5%

compared to the best accuracy obtained with

the peripheral features. Table VII presents the

confusion matrix obtained after fusion. By

comparing this table to Tables V and VI, it can

be observed that the detection accuracy of the

easy and the hard classes was increased by

2% and 7%, respectively, compared to the

accuracy obtained with the best feature set

(peripheral features for the easy class and

EEG features for the hard class). The accuracy

obtained on the medium class with fusion

(39%) is lower than the one obtained with

EEG features (50%) but higher than with

peripheral features (33%). When performing

classification based either on EEG or

peripheral features, many of the hard samples

La fusion nous a permis d’atteindre une

précision de 63 %, soit une hausse de 5 % par

rapport à la meilleure précision obtenue avec les

caractéristiques périphériques. Le Tableau VII

présente la matrice de confusion après la fusion.

En le comparant avec les Tableaux V et VI, nous

remarquons que la précision de la détection des

classes facile et difficile s’est améliorée

respectivement de 2 % et 7 % par rapport à la

précision obtenue avec le meilleur ensemble de

caractéristiques (caractéristiques périphériques

pour la classe facile et EEG pour la classe

difficile). La précision de la classe intermédiaire

après la fusion (39 %) est inférieure à celle des

caractéristiques EEG (50 %), mais supérieure à

celle des caractéristiques périphériques (33 %).

Lors de la classification des caractéristiques EEG

ou périphériques, de nombreux échantillons

83

were classified as easy, while this problem

was solved after fusion. All these results

demonstrate the interest of peripheral and

EEG fusion at the decision level for a more

accurate detection of the three conditions.

appartenant à la condition difficile ont été

attribués à la condition facile. Ce problème a été

résolu grâce à la fusion. Ces résultats prouvent

l’utilité de la fusion de décision pour les

caractéristiques périphériques et EEG : les trois

conditions sont ainsi détectées de manière plus

précise.

The accuracy obtained in the present study is

15% lower than the one obtained in [3].

However, according to the confusion matrix

presented in Table VII, the adjusted level of

difficulty using the current method should

oscillate around the true difficulty level where

the participant experiences engagement. It is

thus expected that our method will also

improve a player’s experience. Moreover, as

stressed before, the current method only

requires a baseline recording of 1 min for

each new player, compared to the recording

of six 1-h training game sessions for each

participant in [3].

La précision atteinte dans cette étude est

inférieure de 15 % à celle obtenue dans [3]. En

revanche, comme l’indique la matrice de

confusion du Tableau VII, cette méthode devrait

permettre d’obtenir un ajustement de la

difficulté relativement proche du niveau réel de

difficulté favorisant l’engagement du participant.

Notre approche pourrait donc améliorer

l’expérience des joueurs/joueuses. De plus,

comme nous l’avons mentionné plus haut, la

méthode actuelle ne requiert qu’un

enregistrement initial d’une minute par nouvel

utilisateur, par rapport à six sessions de jeu

d’une heure chacune par sujet dans [3].

V. CONCLUSION V. CONCLUSION

This paper has investigated the possible use

of emotion assessment from physiological

signals to adapt the difficulty of a game. A

protocol has been designed to record

physiological activity and gather self-reports

of 20 participants playing a Tetris game at

three different levels of difficulty. The

difficulty levels were determined according to

the competence of the players on the task.

Dans cette étude, nous avons évalué

l’exploitation potentielle du traitement des

émotions dans le cadre de l’adaptation de la

difficulté d’un jeu. Nous avons développé un

protocole afin d’enregistrer l’activité

physiologique et de collecter les auto-

évaluations de 20 participants utilisant un jeu de

Tetris à trois niveaux de difficulté. Ces niveaux

ont été délimités en fonction de la compétence

84

Two types of analysis have been conducted on

the data: First, a statistical analysis of self-

reports and physiological data has been

performed to control that different cognitive

and emotional states were elicited by the

protocol; second, classification has been

conducted to determine whether it is possible

to detect those states from physiological

signals.

des joueurs/joueuses pour la tâche. Les données

ont ensuite été analysées de deux manières

différentes. Nous avons tout d’abord réalisé une

analyse statistique des données physiologiques

et des auto-évaluations afin de confirmer que les

différents états cognitifs et émotionnels étaient

bien engendrés par le protocole. Nous avons

ensuite procédé à la classification pour

déterminer si les signaux physiologiques

permettaient de détecter ces états.

The results obtained from the analysis of self-

reports and physiological data have showed

that playing the Tetris game at different levels

of difficulty gave rise to different emotional

states. The easy difficulty was related to a

state of low pleasure, low pressure, low

arousal, and low motivation which was

determined as boredom. The medium

difficulty elicited higher arousal than the easy

difficulty, as well as higher pleasure, higher

motivation, and higher amusement. It was

thus defined as engagement. Finally, the hard

condition was associated to anxiety since it

elicited high arousal, high pressure, and low

pleasure. Moreover, the analysis of

consecutive engaged trials has showed that

the engagement of a player can decrease if the

game difficulty does not change. These results

have demonstrated the importance of

adapting the game difficulty according to the

emotions of the player in order to maintain

his/her engagement.

Les résultats de l’analyse des auto-évaluations et

des données physiologiques ont montré que les

états émotionnels varient en fonction du niveau

de difficulté du jeu Tetris. La difficulté facile a été

associée à un faible niveau de divertissement, de

pression, d’excitation et de motivation : nous lui

avons attribué la condition d’ennui. La difficulté

intermédiaire se caractérise par un niveau

d’excitation, de motivation, de plaisir et de

divertissement supérieur à celui de la difficulté

facile. Nous l’avons donc associée la condition

d’engagement. Enfin, la condition difficile se

traduit par des niveaux d’excitation et de

pression élevés, mais peu de plaisir : nous

l’avons donc associée l’état d’anxiété. De plus,

l’analyse des essais d’engagement consécutifs a

montré que l’engagement des joueurs/joueuses

peut diminuer si la difficulté du jeu reste

inchangée. Ces résultats prouvent qu’il est

important d’adapter la difficulté du jeu en

fonction des émotions de l’utilisateur pour

maintenir son engagement.

85

The classification accuracy of EEG and

peripheral signals to recover the three states

elicited by the gaming conditions has been

analyzed for different classifiers, feature-

selection methods, and durations on which

the features have been computed. Without

feature selection, the best classifiers obtained

an accuracy around 55% for peripheral

features and 48% for EEG features. The FCBF

increased the best accuracy on the peripheral

feature to 59%, while the ANOVA selection

increased the accuracy to 56% for EEG

features. The analysis of the classification

accuracy for EEG and peripheral features

computed on different duration demonstrated

that the EEG features are more robust to a

decrease in duration than the peripheral

features, which confirms the importance of

EEG features for short-term emotion

assessment.

La précision de la classification des signaux

périphériques et EEG pour l’identification des

trois états engendrés par le protocole de jeu a

été analysée en traitant les caractéristiques à

l’aide de différents classifieurs, méthodes de

sélection de caractéristiques et durées. Sans la

sélection de caractéristiques, la précision des

meilleurs classifieurs atteint 55 % pour les

caractéristiques périphériques et 48 % pour les

caractéristiques EEG. L’algorithme FCBF a

permis d’améliorer la précision des

caractéristiques périphériques avec 59 %, contre

56 % pour les caractéristiques EEG avec ANOVA.

L’analyse de la précision pour la classification

des caractéristiques EEG et périphériques sur

différentes durées a souligné la robustesse des

caractéristiques EEG par rapport aux

caractéristiques périphériques sur les durées

plus courtes.

Future work will focus on the improvement of

the detection accuracy. Fusion of

physiological information with other

modalities such as facial expressions, speech,

and vocal signals would certainly improve the

accuracy. Including game information such as

the evolution of the score can also help to

better detect the three states. Another

question of interest is to determine the

number of classes to be detected. Since

boredom and anxiety are detected with higher

confidence than engagement, it might be

Les futurs travaux porteront sur l’amélioration

de la précision lors de la détection. La fusion des

données physiologiques et d’autres modalités

comme les expressions faciales, la parole et les

signaux vocaux pourrait certainement se révéler

utile. Il serait également possible d’inclure des

informations relatives au jeu comme l’évolution

du score pour mieux détecter les trois états. Le

nombre de classes à détecter est un aspect

particulièrement intéressant : comme l’ennui et

l’anxiété sont détectés plus précisément que

l’engagement, ces deux classes sont suffisantes

86

enough to use those two classes for

adaptation to the game difficulty. Moreover,

from the observation of Fig. 1, one can

conclude that it is more interesting to adapt

the difficulty of the game solely based on the

increase of competence because it leads to a

stronger change of state in the flow chart and

stimulates learning. In this case, only the

detection of boredom is of importance to

modulate difficulty. This also implies to more

clearly define the relations between emotions

and competence changes. A future study

would be to implement an adaptive Tetris

game and verify that it is more fun and

enjoyable than the standard one. Finally,

analysis of physiological signals for different

types of games is also required to see if the

results of this study can be extended to other

games.

pour l’adaptation de la difficulté du jeu. De plus,

la Fig. 1 nous permet de conclure qu’il est plus

avantageux d’adapter la difficulté uniquement en

fonction de l’augmentation de la compétence : on

obtient en effet des changements d’état plus

importants en termes de flow, tout en favorisant

l’apprentissage. Dans ce cas, seule la condition

d’ennui est nécessaire pour l’adaptation de la

difficulté. Cela implique également de délimiter

des relations plus précises entre les émotions et

les changements de compétences. Dans une

étude ultérieure, nous mettrons en œuvre un jeu

de Tetris adaptatif pour confirmer ses bénéfices

en termes de divertissement par rapport au jeu

original. Enfin, il serait nécessaire d’analyser les

signaux physiologiques pour différents types de

jeux afin de déterminer si les résultats de cette

étude sont applicables d’autres jeux.

87

Annexes

Experts consultés

CHANEL, Guillaume. Chercheur au Laboratoire de vision par ordinateur et multimédias (CVML,

Computer Vision and Multimedia Laboratory) de l’Université de Genève. Publications et

coordonnées disponibles sur le site du CVML.

PUN, Thierry. Directeur du Laboratoire de vision par ordinateur et multimédias (CVML,

Computer Vision and Multimedia Laboratory) de l’Université de Genève. Publications et

coordonnées disponibles sur le site du CVML.

http://cvml.unige.ch/

http://cvml.unige.ch/guillaumechanel


http://cvml.unige.ch/thierrypun

88

Extraits des conversations avec l’expert

Lucie Villerd

<[email protected]>

Re: Traduction de "Emotion Assessment From Physiological Signals for Adaptation of Game Difficulty" 1 message

PUN Thierry <[email protected]> 25 mars 2015 15:28 À : Guillaume Chanel <[email protected]>, Lucie Villerd <[email protected]>

Bonjour,

Aux remarques de Guillaume je rajouterai que dans certains cas la méthode a été développée dans le monde francophone, ou a donné lieu à beaucoup de travaux en français, comme p.ex. l'analyse discriminante (p.ex. par un chercheur nommé Benzécri).

Cette question de "francisation", à mon avis et sans rentrer dans la polémique quant à son utilité pour la préservation de nos racines, agite beaucoup plus le monde de la recherche en France qu'en Suisse ou en Belgique. Peutêtre qu'au Québec pour des raisons historiques la situation est proche de la situation française. Nous sommes peutêtre plus dans la situation des arabophones ou autres qui emploient automatiquement les mots anglais (je suppose). Cordialement, Thierry Pun

Le 25.03.2015 11:50, Guillaume Chanel a écrit :

Bonjour Lucie,

je me permet de joindre un collègue à cette discussion.

Difficille a dire... pour moi je dirais que cela dépend de plusieurs facteurs: - la nouveauté de l'algorithme (si il est nouveau la traduction n'existe pas encore et les informaticiens sont un peu hesitants à traduire);

mailto:[email protected]




89

- l'utilisation de l'algorithme (un algorithme ancien mais peu utilisé ne sera probablement que peu traduit); - la facilité de la traduction (notament en regard de la possibilité de cumuler les qualificatif en anglais); - le fait que nous parlons de plus en plus anglais dans la recherche (en tout cas en informatique).

Par exemple SFFS est difficillement traduisible en francais bien que l'algorithme sois connu. Recherche flottante séquentielle en avant semble un peu étrange non ?

L'analyse discrimnante linéaire est quand à elle une méthode "classique" et facilement traduisible.

Guillaume

From: Lucie Villerd

[[email protected]] Sent:

Tuesday, March 24, 2015 19:46

To: Guillaume Chanel

Subject: Traduction de "Emotion Assessment From Physiological Signals for Adaptation of Game Difficulty"

Bonsoir,

Je vous avais contacté il y a quelques mois afin de demander votre permission pour traduire votre texte "Emotion Assessment From Physiological Signals for Adaptation of Game Difficulty" dans le cadre de mon Master en traduction (notre échange a malheureusement disparu de ma boîte mail).

Comme promis, voici une première question de traduction et de terminologie. Auriezvous un peu de temps pour éclairer ou confirmer la tendance suivante ? J'ai commencé la traduction il y a quelques semaines, et je remarque que pour certains termes, notamment les algorithmes (sequential floating forward selection et fast correlationbased filter notamment), presque aucun texte en français ne comporte d'équivalents français. On tend plutôt à utiliser les sigles de ces algorithmes (SFFS, FCBF), ou leur nom en anglais. En revanche, d'autres termes seront majoritairement utilisés en français (par ex. analyse discriminante linéaire / quadratique). L'utilisation de l'anglais pour certains termes estelle arbitraire, ou reflètetelle plutôt la "nouveauté" de ces termes (il me semble que le terme FCBF soit apparu au début des années 2000) ? Je souhaiterais discuter de ce phénomène dans le protocole de recherche de mon mémoire, c'est très intéressant du point de vue terminologique.

Je vous remercie d'avance, Cordialement,

Lucie Villerd Tél. +33 (0)6 95 06 81 39


90

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ Prof. Thierry Pun,

http://cvml.unige.ch

Computer Science Department and Swiss Center for Affective Sciences University of

Geneva, Switzerland

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐


91

Termes traités dans ARTES

LUCIE VILLERD Fiches base ARTES - M2 ILTS 2014-2015

Nb. Fiches FICHES LONGUES

TERME EN TRADUCTION

1 analysis of variance analyse de la variance

2 classifier classifieur

3 dynamic difficulty adjustment ajustement dynamique de la difficulté

4 fast correlation-based filter FCBF

5 feature caractéristique

6 feature selection sélection de caractéristiques

7 linear discriminant analysis analyse discriminante linéaire

8 quadratic discriminant analysis analyse discriminante quadratique

9 radial basis function kernel noyau à base radiale

10 sequential floating forward selection SFFS

11 support vector machine machine à vecteurs de support

Nb. Fiches FICHES COURTES (sans les concurrents)

TERME EN TRADUCTION

1 affective computing informatique affective

2 classification classification

3 confusion matrix matrice de confusion

4 covariance matrix matrice de covariance

5 cross-validation validation croisée

6 decision level décision

7 diagonalized diagonalisé

8 generalization généralisation

9 k-fold cross-validation validation croisée k-fold

10 machine learning apprentissage automatique

11 singular covariance matrix matrice de covariance singulière

12 test set ensemble de test

13 training set ensemble d'apprentissage

Nb. Fiches FICHES GLOSSAIRE

TERME EN TRADUCTION

1 alpha wave rythme alpha

2 amygdala activation activation des amygdales

92

3 anxiety anxiété

4 approach approche

5 Baye's belief integration intégration de la croyance de Bayes

6 boredom ennui

7 central nervous system système nerveux central

8 class classe

9 classifier independency indépendance du classifieur

10 data set ensemble de données

11 distress détresse

12 EEG signal signal EEG

13 electroencephalogram électroencéphalogramme

14 electromyogram électromyogramme

15 emotion émotion

16 engagement engagement

17 fatigue fatigue

18 flow flow

19 fusion fusion

20 fuzzy logic logique floue

21 galvanic skin response conductance cutanée

22 galvanic skin response sensor capteur de conductance cutanée

23 ground truth vérité terrain

24 heart rate fréquence cardiaque

25 hippocampus hippocampe

26 peripheral nervous system système nerveux périphérique

27 peripheral signal signal périphérique

28 physiological signal signal physiologique

29 plethysmograph pléthysmographe

30 prefrontal lateralization latéralisation de l'activité préfrontale

31 probability probabilité

32 respiration belt ceinture de respiration

33 sample échantillon

34 stimulus stimulus

35 temperature sensor capteur de température

36 temporal resolution résolution temporelle

37 to train entraîner

38 uniform distribution distribution uniforme

39 valence-arousal space modèle de valence-activation

40 window fenêtre

41 withdrawal retrait

42 workload charge de travail

93

Bibliographie de terminologie

CANDEL, Danielle, « Terminologie de la terminologie. Métalangage et reformulation

dans l'Introduction à la terminologie générale et à la lexicographie terminologique d'E.

Wüster. », Langages 4/2007, n° 168, p. 66-81. www.cairn.info/revue-langages-2007-4-

page-66.htm [consulté le 10 janvier 2015]

EVERS, Vincent. « Terminologie et traduction » [en ligne]. Mémoire de fin d’études (Master

Traduction), dir. Maarten B. van Buuren, Université d’Utrecht (Pays-Bas), Faculté de lettres.

Mars 2010.

http://dspace.library.uu.nl/bitstream/handle/1874/44747/Terminologie%20et%20traductio

n.pdf?sequence=1 [consulté le 15 novembre 2014]

FRANCE TERME. « Qu’est-ce que la terminologie ? » [page Web]. CULTURE.FR.

http://www.culture.fr/Ressources/FranceTerme/Qu-est-ce-que-la-terminologie [consulté le

23 octobre 2014]

L'HOMME, Marie-Claude. La terminologie: principes et techniques. Pum, 2004.

SEVILLA MUÑOS, Manuel. « Introduction to terminology » [présentation PDF]. Open

Courseware – Universidad de Murcia. http://ocw.um.es/cc.-sociales/terminologia/material-

de-clase-1/unit-i.pdf [consulté le 21 octobre 2014]

THOIRON, Philippe et BÉJOINT, Henri. La terminologie, une question de termes?. Meta: Journal

des traducteursMeta:/Translators' Journal, 2010, vol. 55, no 1, p. 105-118.

http://www.cairn.info/revue-langages-2007-4-page-66.htm

http://www.cairn.info/revue-langages-2007-4-page-66.htm

http://dspace.library.uu.nl/bitstream/handle/1874/44747/Terminologie%20et%20traduction.pdf?sequence=1

http://dspace.library.uu.nl/bitstream/handle/1874/44747/Terminologie%20et%20traduction.pdf?sequence=1

http://www.culture.fr/Ressources/FranceTerme/Qu-est-ce-que-la-terminologie

http://ocw.um.es/cc.-sociales/terminologia/material-de-clase-1/unit-i.pdf

http://ocw.um.es/cc.-sociales/terminologia/material-de-clase-1/unit-i.pdf

94

Bibliographie sélective pour la recherche documentaire

L’organisation de la bibliographie sélective est la suivante :

- Langue

• Domaine

• Type de document

Les références précédées de [AUTEUR_ANNÉE] sont incluses dans le corpus.

Le texte choisi pour la traduction est le prolongement de l’étude suivante :

CHANEL, Guillaume, REBETEZ, Cyril, BÉTRANCOURT, Mireille, et al. Boredom, engagement

and anxiety as indicators for adaptation to difficulty in games. In : Proceedings of the 12th

international conference on Entertainment and media in the ubiquitous era. ACM, 2008. p. 13-17.

Ce travail de recherche est avant tout centré sur le protocole d’acquisition de données

physiologiques et l’analyse statistique (classification).

Anglais

Apprentissage automatique

Public averti

Cours

SMOLA, Alex. « Introduction to machine learning » (page Internet). Carnegie Mellon University

(États-Unis). http://alex.smola.org/teaching/cmu2013-10-701/ [consulté le 04 avril 2015]

Page Internet d’un cours universitaire complet. Contient des notes de cours, des vidéos

de cours magistraux, ainsi que des lectures recommandées. Cours destiné aux étudiants

disposant de solides connaissances en statistique, en algèbre et en informatique.

Vulgarisation / public averti

Cours

SCHAPIRE, Robert. « Machine Learning algorithms for classification » (présentation PDF).

Princeton University (États-Unis). 2006.

http://www.cs.princeton.edu/~schapire/talks/picasso-minicourse.pdf [consulté le

02 mai 2015]

http://alex.smola.org/teaching/cmu2013-10-701/

http://www.cs.princeton.edu/~schapire/talks/picasso-minicourse.pdf

95

Présentation sur les outils de classification dans le cadre de l’apprentissage

automatique. Synthétique mais très complet : permet aux non-spécialistes de

comprendre les différentes notions qui entrent en jeu dans le processus d’apprentissage

automatique.

SCHAPIRE, Robert. « Theoretical machine learning » (présentation PDF). Princeton University

(États-Unis). 4 février 2008.

http://www.cs.princeton.edu/courses/archive/spr08/cos511/scribe_notes/0204.pdf

[consulté le 02 mai 2015]

Cours d’introduction l’apprentissage automatique : objectifs, méthodes et outils.

ZISSERMAN, Andrew. « C19 – Machine Learning » (présentation PDF). University of Oxford

(Royaume-Uni). 2015. http://www.robots.ox.ac.uk/~az/lectures/ml/lect1.pdf [consulté le

10 avril 2015]

Cours d’introduction l’apprentissage automatique et ses applications. Contient de

nombreux ouvrages recommandés pour les futurs spécialistes.

Informatique affective

Public averti

Article

BOS, Danny Oude. EEG-based emotion recognition. The Influence of Visual and Auditory Stimuli,

2006, p. 1-17.

Protocole expérimental pour la reconnaissance des émotions l’aide de signaux EEG

(électroencéphalogramme). Propose également un aperçu des études réalisées par le

passé dans le domaine de l’informatique affective.

Vulgarisation

Rapport

PICARD, Rosalind W. Affective computing. M.I.T Media Laboratory Perceptual Computing

Section Technical Report No. 321. 1995.

Cet article, bien que publié par des experts au Massachussetts Institute of Technology,

est écrit dans un langage clair, avec une terminologie accessible au grand public. Il

propose un panorama et un état des lieux du domaine aux experts comme aux profanes.

http://www.cs.princeton.edu/courses/archive/spr08/cos511/scribe_notes/0204.pdf

http://www.robots.ox.ac.uk/~az/lectures/ml/lect1.pdf

96

Jeux vidéo

Public averti

Articles de presse

[ADAMS_2008] ADAMS, Ernest. « The Designer's Notebook: Difficulty Modes and Dynamic

Difficulty Adjustment » [en ligne]. Gamasutra. 14 mai 2008.

http://www.gamasutra.com/view/feature/132061/the_designers_notebook_.php [consulté le

22 mai 2015]

Présentation et analyse critique du processus d’adaptation dynamique de la difficulté.

Monographie

[ADAMS_2007] ADAMS, Ernest. Fundamentals of game design. Pearson Education, 2014.

Aperçu des méthodes et du processus de programmation des jeux vidéo.

Thèses et mémoires

[CHEN_2007] CHEN, Jenova. Flow in Games. MFA Thesis. 2007.

http://www.jenovachen.com/flowingames/Flow_in_games_final.pdf [consulté le 20 février

2015]

Présentation de la théorie du Flow appliquée au jeu vidéo et aux méthodes d’ajustement

de la difficulté. Un article du même auteur reformule ce travail pour les non-spécialistes

et figure dans la section Vulgarisation de cette bibliographie.

Vulgarisation

Articles de publications scientifiques

CHEN, Jenova. Flow in games (and everything else). Communications of the ACM, 2007, vol. 50,

no 4, p. 31-34.

Version grand public du mémoire du même auteur.

Statistique

Public averti

Cours

JONES, James. « Introduction to Applied Statistics: Lecture Notes » (page Internet). Richland

Community College (États-Unis). https://people.richland.edu/james/lecture/m113/ [consulté

le 02 avril 2015]

Page Internet contenant des définitions, des exercices et des cours sur la statistique,

notamment l’analyse de la variance (ANOVA).

http://www.gamasutra.com/view/feature/132061/the_designers_notebook_.php

http://www.jenovachen.com/flowingames/Flow_in_games_final.pdf

https://people.richland.edu/james/lecture/m113/

97

Public averti & experts

Lexiques et glossaires

International Statistics Institute. « Glossary ». http://isi.cbs.nl/glossary/index.htm [consulté

le 13 avril 2015]

Glossaire multilingue le plus complet, avec plus de 30 langues disponibles.

OCDE. « Glossary of Statistical Terms ». http://stats.oecd.org/glossary/ [consulté le 20 mai

2015]

Glossaire du département statistique de l’OCDE. Très complet, définitions relativement

faciles s’approprier.

STARK, Philip. B. « Glossary of Statistical Terms ». University of California, Berkeley (États-

Unis). 2014. http://www.stat.berkeley.edu/~stark/SticiGui/Text/gloss.htm [consulté le

15 avril 2015]

Glossaire de l’université de Berkeley. Très complet, avec des exemples de formules.

Vulgarisation

Cours

WILKINSON, D.J. « Introduction to statistics » (présentation PDF). University of Southern

California (États-Unis). 2013.

https://www.staff.ncl.ac.uk/d.j.wilkinson/teaching/mas131/bignotes.pdf [consulté le 12 avril

2015]

Cours d’introduction la statistique, présentant notamment la terminologie la plus

courante et les domaines ou sciences faisant appel à la statistique.

http://isi.cbs.nl/glossary/index.htm

http://stats.oecd.org/glossary/

http://www.stat.berkeley.edu/~stark/SticiGui/Text/gloss.htm

https://www.staff.ncl.ac.uk/d.j.wilkinson/teaching/mas131/bignotes.pdf

98

Français

Apprentissage automatique

Public averti

Cours

BOUZY, Bruno. « Apprentissage automatique – Séance 1 » (présentation PDF). Université Paris

Descartes. 2005. http://www.math-info.univ-paris5.fr/~bouzy/Doc/AA1/Seance1.pdf

[consulté le 23 avril 2015]

Introduction l’apprentissage automatique (objectifs, outils, méthodes) destinée aux

futurs experts du domaine.

Vulgarisation / public averti

Cours

TORRE, Fabien. « Notes de cours en apprentissage automatique » (page Internet). GRAppA :

informatique à Lille 3. 2015. http://www.grappa.univ-

lille3.fr/~torre/Enseignement/Cours/Apprentissage-Automatique [consulté le 28 mai 2015]

Page d’introduction l’apprentissage automatique comprenant des liens vers d’autres

cours en lien avec le domaine, notamment la classification statistique.

Jeux vidéo

Public averti

Thèses et mémoires

[CHEN_2007] CHEN, Jenova. Le Flow dans les jeux. Mémoire traduit de l’anglais par

Brieuc Swales. 2007

http://www.jenovachen.com/flowingames/Flow_in_games_final_FRENCH.pdf [consulté le 02

avril 2015]

Présentation de la théorie du Flow appliquée au jeu vidéo et aux méthodes d’ajustement

de la difficulté.

http://www.math-info.univ-paris5.fr/~bouzy/Doc/AA1/Seance1.pdf

http://www.grappa.univ-lille3.fr/~torre/Enseignement/Cours/Apprentissage-Automatique

http://www.grappa.univ-lille3.fr/~torre/Enseignement/Cours/Apprentissage-Automatique

http://www.jenovachen.com/flowingames/Flow_in_games_final_FRENCH.pdf

99

Statistique

Vulgarisation


Éducation nationale. « Les définitions des termes et indicateurs statistiques de l'éducation

nationale ». http://www.education.gouv.fr/cid23200/definitions-des-termes-indicateurs-

statistiques-education-nationale.html [consulté le 12 avril 2015]

Glossaire avec des définitions claires et simples, accessibles aux non spécialistes.

VILLEMIN, Gérard. « Statistiques ».

http://villemin.gerard.free.fr/Referenc/Vocabula/GlosS/Statisti.htm [consulté le 26 mars

2015]

Site Internet riche en lexiques et glossaires pour débutants ou public averti dans

différents domaines (mathématiques, physique, etc.)

Public averti & experts

Cours

[CHAMROUKI_2012] CHAMROUKI, Faicel. « Classification supervisée : Analyse discriminante »

(présentation PDF). Cours de Licence 2 Sciences pour l’ingénieur, Université du Sud Toulon –

Var. 2012. http://chamroukhi.univ-tln.fr/courses/2012-2013/i41/Projets/projet-2-i41-LDA-

QDA.pdf [consulté le 20 février 2015]

Introduction à la classification supervisée.

[MARTIN_2004] MARTIN, Arnaud. « L’analyse de données » (présentation PDF). École

nationale supérieure de techniques avancées Bretagne. 2004.

http://www.arnaud.martin.free.fr/Doc/polyAD.pdf [consulté le 24 février 2015]

Cours très complet détaillant les outils et méthodes statistiques pour l’analyse de

données.


International Statistics Institute. Glossary. http://isi.cbs.nl/glossary/index.htm [consulté le

13 avril 2015]

Glossaire multilingue le plus complet, avec plus de 30 langues disponibles.

StatSoft. « Glossaire ». http://www.statsoft.fr/concepts-statistiques/glossaire/a/a.html

[consulté le 10 mai 2015].

Glossaire d’une entreprise spécialisée dans le data mining comportant des définitions

détaillées ainsi que des renvois vers les concepts apparentés.

Université de Montréal (Québec). « Lexique anglais-français d'écologie numérique et de

statistique ». http://biol09.biol.umontreal.ca/legendre/Lexique.pdf [consulté le 20 avril 2015]

http://www.education.gouv.fr/cid23200/definitions-des-termes-indicateurs-statistiques-education-nationale.html

http://www.education.gouv.fr/cid23200/definitions-des-termes-indicateurs-statistiques-education-nationale.html

http://villemin.gerard.free.fr/Referenc/Vocabula/GlosS/Statisti.htm

http://chamroukhi.univ-tln.fr/courses/2012-2013/i41/Projets/projet-2-i41-LDA-QDA.pdf

http://chamroukhi.univ-tln.fr/courses/2012-2013/i41/Projets/projet-2-i41-LDA-QDA.pdf

http://www.arnaud.martin.free.fr/Doc/polyAD.pdf

http://isi.cbs.nl/glossary/index.htm

http://www.statsoft.fr/concepts-statistiques/glossaire/a/a.html

http://biol09.biol.umontreal.ca/legendre/Lexique.pdf

100

Glossaire bilingue très complet pour le vocabulaire statistique. Également utile pour les

sujets liés l’apprentissage automatique.

101

Glossaire d’aide à la traduction EN>FR (export ARTES)

affective computing (Anglais) - nom

Définition: study and development of systems and tools that can identify, process and simulate

human affects

Traduction(s): informatique affective (Français)

analysis of variance (Anglais) - nom

Concurrent(s): ANOVA (Anglais)

Définition: a set of statistical models used to identify the factors that influence a data set

Collocation(s): using analysis of variance (Anglais), analysis of variance method (Anglais), analysis

of variance is conducted (Anglais)

Traduction(s): analyse de la variance (Français)

Bayes’ belief integration (Anglais) - nom

Traduction(s): intégration de la croyance de Bayes (Français)

class (Anglais) - nom

Traduction(s): classe

(Français)

classification (Anglais) - nom

Définition: a method aimed at assigning a new observation to a class or category based on a

training set

Traduction(s): classification

(Français)

102

classifier (Anglais) - nom

Définition: statistical tool used to automatically assign data contained in a data set to different

classes

Collocation(s): to train the classifier (Anglais), classifier fusion (Anglais)

Traduction(s):

classifieur (Français)

confusion matrix (Anglais) - nom

Définition: "A confusion matrix is a table that is often used to describe the performance of a

classification model (or "classifier") on a set of test data for which the true values are

known."

Traduction(s): matrice de confusion (Français)

covariance matrix (Anglais) - nom

Définition: "A covariance matrix is a symmetric matrix where each diagonal element equals the

variance of a variable and each diagonal element is the covariance between the row

variable and the column variable."

Traduction(s): matrice de covariance (Français)

cross-validation (Anglais) - nom

Définition: a method used to determine the accuracy of a predictive model when it is applied to

an independent data set

Traduction(s): validation croisée (Français)

data set (Anglais) - nom

Traduction(s): ensemble de données (Français)

103

decision level (Anglais) - nom

Définition: the stage at which a decision is taken by a classifier or other statistical tools

Traduction(s): décision

(Français)

diagonalized (Anglais) - adjectif

Définition: the application of the linear algebra process of diagonalisation

Traduction(s):

diagonalisé (Français)

dynamic difficulty adjustment (Anglais) - nom

Concurrent(s): dynamic game balancing (Anglais), DDA (Anglais), adaptive difficulty (Anglais)

Définition: "A game’s ability to detect player’s skill level and adapt to it to change player’s

experience."

Collocation(s): dynamic difficulty adjustment mechanism (Anglais)

Traduction(s): ajustement dynamique de la difficulté (Français), adaptation dynamique de la difficulté (Français)

fast correlation-based filter (Anglais) - nom

Concurrent(s): FCBF (Anglais)

Définition: “[a feature selection] method which can identify relevant features as well as

redundancy among relevant features without pairwise correlation analysis.”

Collocation(s): fast correlation-based filter method (Anglais), fast correlation-based filter approach

(Anglais), to apply a fast correlation-based filter (Anglais)

Traduction(s): FCBF

(Français)

104

feature (Anglais) - nom

Concurrent(s): variable (Anglais)

Définition:

"A feature is a meaningful and distinguishing characteristic of a data sample

used by a classifier to associate it with a particular data category."

Collocation(s): to compute a feature (Anglais), the best feature (Anglais), the feature is

extracted (Anglais), the feature is added (Anglais)

Traduction(s): caractéristique (Français)

feature selection (Anglais) - nom

Concurrent(s): variable selection (Anglais)

Définition: the selection of a subset of features from a data set using an algorithm, to be used in

the construction of a predictive model

Collocation(s): to perform feature selection (Anglais), to conduct feature selection (Anglais), sparse

feature selection (Anglais), feature selection procedure (Anglais), to apply feature

selection (Anglais)

Traduction(s): sélection de caractéristiques (Français)

fusion (Anglais) - nom

Traduction(s): fusion

(Français)

fuzzy logic (Anglais) - nom

Traduction(s): logique floue (Français)

105

generalization (Anglais) - nom

Définition: "Statistical generalization involves inferring the results from a sample and applying

it to a population."

Traduction(s):

généralisation (Français)

ground truth (Anglais) - nom

Traduction(s): vérité terrain (Français)

linear discriminant analysis (Anglais) - nom

Concurrent(s): LDA

(Anglais)

Définition: a systematic statistical approach for supervised dimensionality reduction in

classification problems

Collocation(s): applicability of linear discriminant analysis (Anglais), linear discriminant analysis

generalizes (Anglais), linear discriminant analysis approach (Anglais), linear

discriminant analysis is used (Anglais)

Traduction(s): analyse discriminante linéaire (Français)

machine learning (Anglais) - nom

Définition: "Machine learning is the sub-field of artificial intelligence which focuses on methods to

construct computer programs that learn from experience with respect to some class of

tasks and a performance measure."

Traduction(s): apprentissage automatique (Français)

probability (Anglais) - nom

Traduction(s): probabilité

(Français)

106

quadratic discriminant analysis (Anglais) - nom

Concurrent(s): QDA

(Anglais)

Définition: "The quadratic discriminant analysis is a classification method sensitive to the

assumption

of multivariate normal distribution of the data."

Collocation(s): quadratic discriminant analysis is used (Anglais), using quadratic discriminant

analysis (Anglais), quadratic discriminant analysis is utilized (Anglais), quadratic

discriminant analysis is exploited (Anglais), quadratic discriminant analysis is

applied (Anglais), quadratic discriminant analysis performs (Anglais)

Traduction(s): analyse discriminante quadratique (Français)

radial basis function kernel (Anglais) - nom

Concurrent(s): RBF kernel (Anglais)

Définition: a kernel function that is widely used in kernelized learning algorithms like support

vector machines for classification

Collocation(s): a radial basis function kernel is used (Anglais), radial basis function kernel

parameter (Anglais), using a radial basis function kernel (Anglais)

Traduction(s): noyau à base radiale (Français)

sample (Anglais) - nom

Traduction(s): échantillon

(Français)

sequential floating forward selection (Anglais) - nom

Concurrent(s): sequential forward floating selection (Anglais), SFFS (Anglais)

Définition: “wrapper approach that selects or removes a feature according to some criterion

107

function that evaluates subsets instead of just comparison of feature pairs”

Collocation(s): to implement sequential floating forward selection (Anglais), sequential floating

forward selection procedure (Anglais), sequential floating forward selection algorithm

(Anglais), to apply sequential floating forward selection (Anglais)

Traduction(s): filtre à sélection de caractéristiques par corrélation rapide (Français), SFFS

(Français)

singular covariance matrix (Anglais) - nom

Définition: a covariance matrix that is not invertible

Traduction(s): matrice de covariance singulière (Français)

support vector machine (Anglais) - nom

Concurrent(s): SVM

(Anglais)

Définition: a machine learning method used to classify two different classes using features

contained in a data set

Collocation(s): to build a support vector machine (Anglais), support vector machine is applied

(Anglais), using the support vector machine (Anglais), success of the support vector

machine (Anglais)

Traduction(s): machine à vecteurs de support (Français)

test set (Anglais) - nom

Définition: a set of data used to determine the validity of a predictive relationship

Traduction(s): ensemble de test (Français)

to train (Anglais) - verbe

Traduction(s):

108

entraîner (Français)

training set (Anglais) - nom

Définition: a data set used to develop a predictive model

Traduction(s): ensemble d'apprentissage (Français)

uniform distribution (Anglais) - nom

Traduction(s): distribution uniforme (Français)

window (Anglais) - nom

Traduction(s): fenêtre

(Anglais)

109

Glossaire d’aide à la traduction FR>EN (export ARTES)

ajustement dynamique de la difficulté (Français) - nom

Concurrent(s): difficulté adaptive (Français), difficulté adaptative (Français), adaptation dynamique

de la difficulté (Français)

Collocation(s): système d'ajustement dynamique de la difficulté (Français)

Traduction(s): dynamic difficulty adjustment (Anglais)

analyse de la variance (Français) - nom

Concurrent(s): ANOVA

(Français)

Définition: ensembles de méthodes statistiques permettant d'identifer les facteurs qui

influencent un ensemble de données

Collocation(s): l'analyse de la variance montre (Français), réaliser l'analyse de la variance

(Français), en effectuant une analyse de la variance (Français), modèle d'analyse de

la variance (Français)

Traduction(s): analysis of variance (Anglais)

analyse discriminante linéaire (Français) - nom

Concurrent(s): LDA

(Français)

Définition: approche statistique systématique permettant de réduire le nombre de dimensions

dans le cadre de problèmes de classification

Collocation(s): effectuer une analyse discriminante linéaire (Français), l'analyse discriminante

linéaire est utilisée (Français), l'analyse discriminante linéaire de Fisher (Français)

Traduction(s): linear discriminant analysis (Anglais)

110

analyse discriminante quadratique (Français) - nom

Concurrent(s): QDA

(Français)

Définition: méthode de classification supposant une distribution normale à plusieurs variables

des données

Collocation(s): l'analyse discriminante quadratique est utilisée (Français), utiliser l'analyse

discriminante quadratique (Français), obtenir l'analyse discriminante quadratique

(Français), par analyse discriminante quadratique (Français), en recourant à une

analyse discriminante quadratique (Français)

Traduction(s): quadratic discriminant analysis (Anglais)

apprentissage automatique (Français) - nom

Définition: « L'apprentissage automatique est la discipline scientifique qui cherche à développer

des systèmes évoluant automatiquement avec l'expérience et à comprendre les lois

fondamentales sous-tendant les processus d'apprentissage. »

Traduction(s): machine learning (Anglais)

caractéristique (Français) - nom

Concurrent(s): variable

(Français)

Définition: attribut distinctif d'un échantillon de données, exploité par un classifieur dans le but

de l'associer à une catégorie de données précise

Collocation(s): la caractéristique est extraite (Français), pertinence d'une caractéristique (Français),

évaluer une caractéristique (Français)

Traduction(s): feature

(Anglais)

111

classe (Français) - nom

Traduction(s): class

(Anglais)

classification (Français) - nom

Définition: méthode permettant d'attribuer une classe à une nouvelle observation en fonction

d'un ensemble d'apprentissage

Traduction(s): classification

(Anglais)

classifieur (Français) - nom

Concurrent(s): classificateur (Français)

Définition: algorithme utilisé dans le traitement de caractéristiques extraites d'un ensemble de données pour

les assigner à une classe spécifique

Collocation(s): généralisation du classifieur (Français), construire le classifieur (Français), entraîner un classifieur (Français)

Traduction(s): classifier (Anglais)

diagonalisé (Français) - adjectif

Définition: application du procédé de diagonalisation en algèbre linéaire

Traduction(s): diagonalized (Anglais)

distribution uniforme (Français) - nom

Traduction(s): uniform distribution (Anglais)

décision (Français) - nom

Définition: prise de décision d'un classifieur ou autre outil statistique

112

Traduction(s): decision level (Anglais)

échantillon (Français) - nom

Traduction(

s): sample

(Anglais)

ensemble d'apprentissage (Français) - nom

Définition: ensemble de données permettant de construire un modèle prédictif

Traduction(s): training set

(Anglais)

ensemble de données (Français) - nom

Traduction(s): data set

(Anglais)

ensemble de test (Français) - nom

Définition: ensemble de données permettant d'évaluer la validité d'un modèle prédictif

Traduction(s): test set

(Anglais)

FCBF (Français) - nom

Concurrent(s): filtre à sélection de caractéristiques par corrélation rapide (Français)

Définition: approche de filtrage utilisant une mesure de corrélation afin de sélectionner les

caractéristiques les plus pertinentes et d'éliminer les plus redondantes

Collocation(s): méthode de sélection FCBF (Français), algorithme FCBF (Français)

Traduction(s): fast correlation-based filter (Anglais), FCBF (Anglais)

entraîner (Français) - verbe

Traduction(s):

113

to train (Anglais)

fenêtre (Français) - nom

Traduction(s): window (Anglais)

fusion (Français) - nom

Traduction(s): fusion

(Anglais)

généralisation (Français) - nom

Définition: application des résultats d'un échantillon à l'ensemble de la population

Traduction(s): generalization

(Anglais)

informatique affective (Français) - nom

Définition: étude et développement de systèmes et outils capables d'identifier et de traiter les

émotions humaines

Traduction(s): affective computing (Anglais)

intégration de la croyance de Bayes (Français) - nom

Traduction(s): Bayes' belief integration (Anglais)

logique floue (Français) - nom

Traduction(s): fuzzy logic (Anglais)

machine à vecteurs de support (Français) - nom

Concurrent(s): SVM

(Français)

Définition: méthodes d'apprentissage automatique pour la classification de deux classes à l'aide

114

des caractéristiques d'un ensemble de données

Collocation(s): utiliser une machine à vecteurs de support (Français), utlisant une machine à

vecteurs de support (Français), à l'aide d'une machine à vecteurs de support

(Français)

Traduction(s): support vector machine (Anglais)

matrice de confusion (Français) - nom

Définition: « Une matrice de confusion ou tableau de contingence sert à évaluer la qualité d'une

classification. Elle est obtenue en comparant les données classées avec des données

de référence qui doivent être différentes de celles ayant servi à réaliser la

classification. »

Traduction(s): confusion matrix (Anglais)

matrice de covariance (Français) - nom

Définition: matrice symmétrique où chaque élément est égal à la variance d'une variable et où

chaque élément diagonal est la covariance entre la variable d'une colonne et la

variable d'une ligne

Traduction(s): covariance matrix (Anglais)

matrice de covariance singulière (Français) - nom

Définition: matrice de covariance non inversible

Traduction(s): singular covariance matrix (Anglais)

noyau à base radiale (Français) - nom

Concurrent(s): noyau RBF (Français)

Définition: fonction noyau utilisée par de nobreux algorithmes d'apprentissage automatique,

notamment les machines à vecteurs de support pour la classification

115

Collocation(s): utiliser un noyau à base radiale (Français)

Traduction(s): radial basis function kernel (Anglais)

probabilité (Français) - nom

Traduction(s): probability

(Anglais)

sélection de caractéristiques (Français) - nom

Concurrent(s): sélection de variables (Français)

Définition: « La sélection de caractéristiques est une technique permettant de choisir les

caractéristiques, variables ou mesures les plus intéressantes, pertinentes ou

informantes, d’un système donné,pour la réalisation de la tâche pour laquelle il a

été conçu. »

Collocation(s): procédure de sélection de caractéristiques (Français), effectuer une sélection de caractéristiques (Français), la sélection de caractéristiques est appliquée (Français)

Traduction(s): feature selection (Anglais)

SFFS (Français) - nom

Concurrent(s): SffS

(Français)

Définition: algorithme heuristique sélectionnant le meilleur sous-ensemble de caractéristiques

dans l'ensemble de caractéristiques original grâce à des itérations de sélection et

d'exclusion successives

Collocation(s): méthode SFFS (Français), SFFS tente (Français)

Traduction(s): SFFS (Anglais), sequential floating forward selection (Anglais)

validation croisée (Français) - nom

Définition:

116

méthode permettant de déterminer la précision d'un modèle prédictif lors de son

application à un ensemble de données indépendant

Traduction(s): cross-validation (Anglais)

variable (Français) - nom

Concurrent(s):

caractéristique (Français)

Collocation(s): le poids d'une variable (Français), la variable possède (Français), la valeur d'une

variable (Français)

Traduction(s): variable

(Anglais)

vérité-terrain (Français) - nom

Traduction(s): ground truth (Anglais)

117

Texte source

Note : les passages traduits dans le cadre de ce mémoire sont :

I. Introduction

IV. Classification of the gaming conditions using physiological signals

V. Conclusion

118

Emotion Assessment From Physiological Signals for Adaptation of Game Difficulty

Guillaume Chanel, Cyril Rebetez, Mireille Bétrancourt, and Thierry Pun, Member, IEEE Abstract—This paper proposes to maintain player’s

engagement by adapting game difficulty according to player’s emotions assessed from physiological signals. The validity of this approach was first tested by analyzing the questionnaire responses, electroencephalogram (EEG) signals, and peripheral signals of the players playing a Tetris game at three difficulty levels. This analysis confirms that the different difficulty levels correspond to distinguishable emotions, and that, playing several times at the same difficulty level gives rise to boredom. The next step was to train several classifiers to automatically detect the three emotional classes from EEG and peripheral signals in a player-independent framework. By using either type of signals, the emotional classes were successfully recovered, with EEG having a better accuracy than peripheral signals on short periods of time. After the fusion of the two signal categories, the accuracy raised up to 63%.

Index Terms—Electroencephalography, emotion assessment, games, pattern classification, signal analysis

I. INTRODUCTION

UE TO their capability to present information in an interactive and playful way, computer games have

gathered increasing interest as tools for education and training [1]. Games are also interesting from a human–computer interaction point of view, because they are an ideal ground for the design of new ways to communicate with machines. Affective computing [2] has opened the path to new types of human–computer interfaces that adapt to affective cues from the user. As one of the main goals of games, which is to provide emotional experiences such as fun and excitement, affective computing is a promising area of research to enhance game experiences. Affective information can be used to maintain involvement of a player by adapting game difficulty or content to induce particular emotional states [3]. For this purpose, automatic assessment of emotions is mandatory for the game to adapt in real time to the feelings and involvement of the player, without interrupting his/her gaming experience (like it would be the case by using questionnaires). This paper thus focuses on emotion assessment from physiological signals in the context of a computer game application.

Physiological signals can be divided into two categories: those originating from the peripheral nervous system [e.g., heart rate, electromyogram, galvanic skin response (GSR)] and those coming from the central nervous system [e.g., electroencephalogram (EEG)]. In recent years, interesting results have been obtained for emotion assessment with the

first category of signals. Very few studies, however, have used the second category, even though the cognitive theory of emotions states that the brain is heavily involved in emotions [4].

One of the pioneering work on emotion assessment from peripheral signals is [5] where the authors detected eight self-induced emotional states with an accuracy of 81%. In [6], six emotional states, elicited by film clips, were classified with an accuracy of 84%. In a gaming context, Rani et al. [7] proposed to classify three levels of intensity for different emotions. The emotions were elicited by stimulating participants with a Pong game and anagram puzzles. The best average accuracy obtained with this method was of 86%. The classifiers developed in this paper were used in [3] to adjust game difficulty in real time based on anxiety measures. In this case, the accuracy dropped to 78%, but a significant improvement of player experience was reported compared to difficulty adjustment based on performance. This demonstrates the interest of using affective computing for the purpose of game adaptation. In [8], the authors proposed to continuously assess the emotional state of a player using an approach based on fuzzy logic. The obtained results showed that the emotional state evolved according to the events of the game, but no exact measure of performance was reported. Nevertheless, this tool could be used to include the player’s experience in the design of innovative video games. In [9], three emotional states were detected from peripheral signals with an accuracy of 53%. The emotions were elicited by using a Tetris game. This paper is a significant extension of this work, which, in particular, now takes into account the analysis of EEG signals.

There is an increasing amount of psychological literature pointing toward the hypothesis that emotions result from a series of cognitive processes [10], [11]. There is also evidence of different patterns of brain activity during the presentation of emotional stimuli. For instance, depending on the nature of reactions (approach or withdrawal), Davidson [12] showed prefrontal lateralization of alpha waves as well as distinct activations of the amygdala. Aftanas et al. [13] reported differences in event-related desynchronization/synchronization during the visualization of more or less arousing images. In the emotional recall context, Smith et al. [14] showed an augmentation of

D

119

Fig. 1. Flow chart and the suggested automatic adaptation to emotional reactions.

activity in the connections between the hippocampus and the amygdala during the recollection of negative events compared to neutral events. These works emphasize the importance of using brain signals to improve temporal resolution and classification accuracy in emotion assessment. Among the studies that recognize emotional states from EEG, Takahashi [15] obtained an accuracy of 42% to recognize five emotional states elicited by film clips. In [16], three self-induced emotional states were recognized with an accuracy of 68%. Other works tried to infer operator engagement, fatigue, and workload by using EEG signals in order to adapt the complexity of a task [17]–[21]. To our knowledge, however, this paper is the first to report on the use of EEG signals for emotion assessment in a gaming paradigm.

Games can elicit several emotional states, but knowing all of them is not necessary to maintain involvement in the game. Many representations of the player’s affective state have been used in previous studies like anxiety, frustration, engagement, distress scales, and the valence-arousal space [22], [23]. According to emotion and flow theories [10], [24], strong involvement in a task occurs when the skills of an individual meet the challenge of a task (Fig. 1). Too much challenge would increase workload which would then be appraised by the player as anxiety. Similarly, not enough challenge would induce boredom. Both these situations would restrain the player’s ability to achieve a “flow experience,” leading to less involvement, engagement, and possibly interruption of the game [25].

In a game, the change from an emotional state to another can occur due to two main reasons. First, the difficulty is increased because of the progression in different levels, but the increase is too fast compared to the competence increase of the player (potentially giving rise to anxiety; see Fig. 1). Second, the competence of the player has increased while the game remained at the same difficulty (potentially giving rise to boredom). In both cases, the challenge should

be corrected to maintain a state of pleasure and involvement, showing the importance of having games that adapt their difficulty according to the competence and emotions of the player. Based on this theory, we defined three emotional states of interest that correspond to three well-separated areas of the valence-arousal space: boredom (negative calm), engagement (positive excited), and anxiety (negative excited).

This paper attempts to verify the validity and usefulness of the three defined emotional states by using a Tetris game where the challenge is modulated by changing the level of difficulty. Self-reports as well as physiological activity were obtained from players by using the acquisition protocol described in Section II. Using those data, three analyses were conducted. The first aims at validating the applicability of the flow theory for games (see Section III). In the second analysis, detailed in Section IV, physiological signals were used for the purpose of classification of the different states. In this case, since one of the goals of this paper is to go toward applications, particular attention was paid to designing classifiers that could be used for any gamer without having to retrain it.

II. DATA ACQUISITION

A. Acquisition Protocol

A gaming protocol was designed for acquiring physiological signals and gathering self-reported data. The Tetris game was chosen in this experiment for the following reasons: It is easy to control the difficulty of the game (speed of falling blocks); it is a widely known game so that we could expect to gather data from players with different skill levels (which occurred); and it is playable using only one hand, which is mandatory since the other hand is used for the placement of some data acquisition sensors.

The difficulty levels implemented in the Tetris game were adapted to have a wider range of difficulties than in the original game. The new levels ranged from 1 to 25 with the blocks going down a line every 0.54 s at level 1 and 0.03 s at level 25. The speed of the falling blocks at the intermediate levels increased exponentially with the level. Other modifications to the original Tetris allowed playing without changing the difficulty level for a given amount of time. Each time the blocks reach the top of the Tetris board, a game-over event was reported, the board was cleared, and the participant could continue to play.

Twenty participants (mean age is 27; 13 males; all right handed) took part in this study. After signing a consent form, each participant played Tetris several times to determine the game level where he/she reported engagement. This was done by repeating three times the threshold method, starting from a low level and progressively increasing it until engagement was reported by the participant or starting from a high level and decreasing it. The average of the obtained

120

levels was then considered as the participant’s skill level. Depending on this skill level, three experimental conditions were determined: medium condition (game difficulty equal to the player’s skill level), easy condition (lower difficulty, computed by subtracting eight levels of difficulty from the player’s skill level), and hard condition (higher difficulty, computed by adding eight levels). The participants of the study reported to be engaged at different levels ranging, for most of them, from 11 to 16, confirming that they had different Tetris skills.

Participants were then equipped with several sensors to measure their peripheral physiological activity: a GSR sensor to measure skin resistance, a plethysmograph to record blood volume pulse (BVP), a respiration belt to estimate chest cavity expansion, and a temperature sensor to measure palmar changes in temperature. Those sensors are known to measure signals

Fig. 2. Schedule of the protocol.

that are related to particular emotional activations as well as useful for emotion detection (see Section II-B). In addition, an EEG system was used to record central signaling from 14 of the 20 participants. In this paper, 19 electrodes were positioned on the skull of the participants according to the 10–20 system [26]. As demonstrated in other studies, EEGs can help in assessing emotional states and is also useful in providing an index of task engagement and workload [17]–[20]. Peripheral and EEG signals were recorded at a 256-Hz sampling rate using the Biosemi Active 2 acquisition system.12 This sampling rate allows keeping the frequency bands of interest for this study.

Once equipped with the sensors, the participants took part in six consecutive sessions (Fig. 2). For each session, the participants had to follow three steps: stay calm and relax for at least 1 min and 30 s, play the Tetris game for 5 min in one of the three experimental conditions (difficulty level), and finally answer a questionnaire. The first step was useful to let the physiological signals return to a baseline level, to record a baseline activity, and to provide a rest period for the participants. For the second step, each experimental condition was applied twice and in a random order to account for side effects of time in questionnaires and physiological data. The goal of participants was to perform the highest possible score. To motivate them

12 Technical details are available at http://www.biosemi.com.

toward this goal, a prize of 20 Swiss francs was offered to three of the participants having the highest score (the participants were divided in three groups according to their competence). The questionnaire was composed of 30 questions related to both the emotions they felt and their level of involvement in the game. The answer to each question was given on a seven-point Likert scale. Additionally, participants rated their emotions in the valence-arousal space using the self-assessment manikin [27] scales.

B. Feature Extraction

Once the data are acquired, it is necessary to compute features from the signals in order to characterize physiological activity for the different gaming conditions. The features were generally computed over the complete duration of a given session, except in Section IV-D where the features were computed on shorter time windows to analyze the effect of time on emotion-assessment accuracy. Two sets of features were computed: the first set includes the features computed from the EEG signals, and the second includes those computed from the peripheral signals.

In this paper, the collected data are not analyzed for each participant separately but as a whole. It is, thus, necessary

TABLE I

ENERGY FEATURES COMPUTED FOR EACH ELECTRODE AND THE ASSOCIATED FREQUENCY BANDS

that the patterns of emotional responses remain stable across participants. Although different patterns of emotional responses have been found in psychophysiological studies, Stemmler [28] argues that they are due to context deviation specificity. Since, in the current study, the emotions are elicited in the same context (the video game), this should reduce interparticipant variability. Nevertheless, to further reduce this variability, the physiological signals acquired during the last minute of the rest period were used to compute a baseline activity for each session (six baseline per participant) that was subtracted from the corresponding physiological features.

1) EEG Features: Prior to extracting features from EEG data, we need to remove noise by preprocessing the signals. Environment noise and drifts were removed by applying a 4–45-Hz bandpass filter. The signals were visually checked in order to ensure that the remaining artifacts did not exceed 5% of the signal. The second step was to compute a local reference by applying a local Laplacian filter [29] to render the signals independent of the reference electrode position and to reduce artifact contamination. For the Laplacian filter computation, the neighboring electrodes were considered as lying in a radius of 4 cm from the filtered electrode.

121

The set of features described in this section was defined to represent the energy of EEG signals in frequency bands known to be related to emotional processes [12], [13]. For each electrode i, the energy in the different frequency bands displayed in Table I was computed for a session, using the fast Fourier transform (FFT) algorithm. Moreover, the following EEG_W feature (1) was computed from the Ne

electrodes. This feature is known to be related to cognitive processes like workload, engagement, attention, and fatigue [20], which are cognitive states of interest in our paper. In many studies, the EEG_W feature is computed from only three to four electrodes [17], [18], [20]. However, there is high discrepancy among studies in the electrodes used. Moreover, the playing of a video game can stimulate several brain areas (for instance, the occipital lobe for visual processing, the auditory cortex of the parietal and temporal lobes, and the frontal lobe for emotional processing). For those reasons, all the electrodes were included in the computation of the EEG_W feature

. (1)

The EEG_FFT feature set thus contains a total of 3 × 19 + 1

= 58 features (three frequency bands and 19 electrodes plus

the EEG_W feature).

2) Peripheral Features: Many studies in psychophysiology have shown correlations between signals of the peripheral nervous system and emotions; effectiveness of such signals in emotion assessment is now fully demonstrated as detailed in

TABLE II FEATURES EXTRACTED

FROM PERIPHERAL SIGNALS

the introduction. All data were first filtered by a mean filtering to remove noise. For this purpose, we used a rectangular filter of length 128 for GSR, 128 for temperature, and 64 for chest cavity expansion.

GSR provides a measure of the resistance of the skin (electrodermal activity) by positioning two electrodes on the distal phalanges of the index and middle fingers. This resistance decreases due to an increase of sudation, which usually occurs when one is experiencing emotions such as stress or surprise. Moreover, Lang et al. discovered that the mean value of the GSR is related to the level of arousal [30]. The number of GSR falls was also computed by identification of the signal local minima. The features extracted from electrodermal activity are presented in Table II.

A plethysmograph was placed on the thumb of the participant to evaluate the BVP. This signal is not only used as a measure of BVP but also to compute heart rate (HR) by identification of local minima (i.e., foot of the systolic upstroke) and interbeat periods. Blood pressure and HR

122

variability are variables that correlate with defensive reactions [31], pleasantness of a stimuli [30], and basic emotions [32]. The HR signal energy in low frequencies (0.05–0.15 Hz) and high frequencies (0.15–1 Hz), as well as the ratio of these energies, was computed because they are indicators of parasympathetic and sympathetic activities [33].

Chest cavity expansion was measured by tying a respiration belt around the chest of the participant. Slow respiration is linked to relaxation, while irregular rhythm, quick variations, and cessation of respiration correspond to more aroused emotions like anger or fear [32], [34]. To characterize this process, we rely on features from both the frequency and time domain

(Table II). Skin temperature was measured by placing a sensor on

the distal phalange of the ring finger. Ekman et al. [35] found a significant increase of skin temperature for anger compared to his five other basic emotions (sadness, happiness, fear, surprise, and disgust). McFarland [36] found that stimulating persons with emotional music led to an increase of temperature for calm positive music and a decrease for excited negative pieces.

III. ANALYSIS OF QUESTIONNAIRES AND OF

PHYSIOLOGICAL FEATURES

In this section, the data gathered from the questionnaires and from the computed physiological features are analyzed to control the applicability of the flow theory for games. For this purpose, the validity of the following two hypotheses was tested.

1) H1: Playing in the three different conditions (difficulty levels) will give rise to different emotional states.

2) H2: As the skill increases, the player will switch from an engagement state to a boredom state (see Fig. 1).

A. Elicited Emotions

1) Questionnaires: To test for hypothesis H1, a factor analysis was performed on the questionnaires to find the axes of maximum variance. The first two components were obtained from the factor analysis account for 55.6% of the questionnaire variance and were found to be associated with higher eigenvalues than the other components (the eigenvalues of the first three components are 10.2, 8.2, and 1.7). The questionnaire answers given for each session were then projected in the new space formed by the two components, and an analysis of variance (ANOVA) test was applied to those new variables to check for differences in the distribution of judgment for the different conditions. By looking at the weights of the two components, the following was found.

1) The first component was positively correlated with the questions related to pleasure, amusement, interest, and motivation.

2) The second component was positively correlated with the question corresponding to levels of excitation and pressure and negatively correlated with calm and control levels.

The ANOVA test, applied on the data projected on the first component (see Fig. 3), showed that participants felt lower pleasure, amusement, interest, and motivation for the easy and hard conditions than for the medium one (F = 46,p < 0.01). Differences in the three distributions obtained from the second

Fig. 3. Mean and standard deviation of judgment for each axis of the two (comp.) component space and the different (diff.) difficulties: easy, (med.) medium, and hard.

component demonstrated that increasing difficulty led to higher reported excitation and pressure as well as lower control (F = 232,p < 0.01). This demonstrates that an adequate level of difficulty is necessary to engage players in the game so that they feel motivated and pleased to play. Moreover, those results also validate hypothesis H1 since they show that the different playing difficulties successfully elicited different emotional states with various levels of pleasure and arousal. According to the self-evaluations, those states were defined as boredom for the easy condition, engagement for the medium condition, and anxiety for the hard condition.

2) Peripheral Features: The physiological features were subjected to an ANOVA test to search for differences in activation for the different conditions and analyze the relevance of those features for emotion assessment. For this purpose, the ANOVA test was applied on the three distributions, and the F-values and p-values are reported in Table III. Moreover, the ANOVA test was also applied to check for differences between the easy and medium conditions as well as between the medium and hard conditions. If a difference is significant (p-value < 0.1), the trend of the mean from a condition to another is reported in Table III.

123

The decrease observed for the µGSR, δGSR, and fGSRDecRate

features and the increase of the fGSRNbPeaks between the easy

and medium conditions indicate an increase of electrodermal activity when progressing from the easy to the medium difficulty level. Between the easy and medium conditions, a significant decrease of temperature is also observed. Those results are in favor of an increase of arousal between the easy and the medium conditions. More specifically, the increase in the number of GSR peaks indicates that the changes in arousal are not only due to workload increase but also to some specific events that triggered emotional reactions. When analyzing the GSR feature changes between the medium condition and the hard conditions, only the fGSR

DecTime feature (percentage of negative samples in the GSR derivative) is significantly increasing. An increase of mean HR and a decrease of temperature are also observed between the same conditions. Those results suggest that there is also an increase of arousal between the medium and hard conditions but to a lesser extent than between the easy

TABLE III

F-VALUES AND p-VALUES OF THE ANOVA TESTS APPLIED ON THE PERIPHERAL FEATURES FOR THE THREE DIFFICULTY LEVELS. ONLY THE

RELEVANT FEATURES ARE PRESENTED (p-VALUE < 0.1). THE “TREND OF THE

MEAN” COLUMN INDICATES THE DIFFERENCES BETWEEN TWO CONDITIONS. FOR INSTANCE, INDICATES A SIGNIFICANT

DECREASE OF THE VARIABLE FROM THE EASY TO THE MEDIUM CONDITION (FIRST ) AND FROM THE MEDIUM TO THE HARD

CONDITION (SECOND ), WHILE → INDICATES NO SIGNIFICANT

DIFFERENCES BETWEEN THE EASY AND MEDIUM CONDITIONS AND A SIGNIFICANT INCREASE TO THE HARD CONDITION

TABLE IV

LIST OF THE RELEVANT EEG FEATURES (p-VALUE < 0.1) GIVEN BY

FREQUENCY BAND AND ELECTRODE

and medium conditions. In summary, an increased arousal is observed for increasing game difficulty, supporting the results obtained from the analysis of the questionnaires.

As can be seen from Table III, a total of ten features were found to have significantly different distributions among the three difficulties. This suggests that the conditions correspond to different emotional states and demonstrates the interest of those features for later classification of the

three conditions. One feature of particular interest is , which is the HR energy in low-frequency bands, because it has a lower value for the medium condition than for the two others, showing that this condition can elicit particular peripheral activation. This is also one of the only features that can help distinguish the medium condition from the two others.

3) EEG Features: An ANOVA test was also performed on each EEG feature to test for differences among the three conditions. Table IV gives a list of the EEG features that are relevant (p-value < 0.1). No feature corresponding to the energy in the alpha band was significantly different among the three conditions. However, several features in the theta and beta bands were significantly different, which shows their interest for automatic assessment of the three conditions. To illustrate the EEG activity, we focused on the EEG_W feature since it is a combination of the other features and is known to be related to cognitive processes such as engagement and workload [20].

Fig. 4. Boxplot of the EEG_W values for the three conditions. The middle line represents the median of the EEG_W values, the box represents the quartile, and the whiskers represents the range. NS: nonsignificant.

Significant differences were observed for the EEG_W feature among the three conditions (F = 5.5,p < 0.01). Fig. 4 shows the median and quartiles of the EEG_W values for each condition. Since for the medium difficulty the participants reported higher interest and motivation than for the easy and hard conditions, it was expected that the mean of the EEG_W values would be significantly higher for the medium condition. However, as can be seen from Fig. 4, there is an increase in the median of the EEG_W values as the difficulty increases. The differences between the medium and hard conditions as well as between the easy and hard conditions

124

are significant according to the ANOVA test. In our view, this reflects the fact that the EEG_W feature is more related to workload than to engagement. The participants involved more executive functions in the hard condition than in the medium one, even if they were less engaged.

B. Evolution of Emotions in Engaged Trials

Hypothesis H2 was tested by focusing on the data of the two sessions corresponding to the medium condition where the participant is expected to be engaged. Both physiological and questionnaire data were analyzed using a pairwise t-test to verify that there was a decrease of engagement from the first session to the second session.

The pairwise t-test used on the variables of the

questionnaire showed a significant decrease from the first

medium condition to the second medium condition for the

questions “I had pleasure to play” (t = −1.8,p = 0.09) and “I

had to adapt to the interface” (t = −3,p = 0.06). From

peripheral signals, a decrease in the number of GSR peaks

fGSRNbPeaks (t = −2.4,p = 0.02), as well as an increase in the

average of temperature µTemp (t = 2.6,p = 0.02), and in the

average of temperature derivative δTemp (t = 2.3,p = 0.03)

was found.

Those results are indicative of a decrease of arousal and pleasure while playing twice in the same condition, thus supporting hypothesis H2. The result obtained for the question “I had to adapt to the interface” gives a cue that this decrease could be due to an increase of the player’s competence. However, the competence changes were not measured with other indicators to confirm this possibility. In any case, those results demonstrate the importance of having automatic adaptation of the game’s difficulty when the challenge of the game remains the same.

IV. CLASSIFICATION OF THE GAMING CONDITIONS USING

PHYSIOLOGICAL SIGNALS

A. Classification Methods

In this section, the classification accuracy that can be expected from emotion assessment is investigated. For this purpose, classification methods were applied on the data gathered from the gaming protocol. The ground-truth labels were defined as the three gaming conditions, each one being associated to one of the three states: boredom (easy condition), engagement (medium condition), and anxiety (hard condition).

Three classifiers were applied on this data set: a linear discriminant analysis (LDA), a quadratic discriminant analysis (QDA), and a support vector machine (SVM) with radial basis function (RBF) kernel [37], [38]. The diagonalized versions of the LDA and the QDA were employed because of the low number of samples, which

sometimes gives rise to the problem of singular covariance matrices. The size of the RBF kernel was chosen by applying a five-fold cross-validation procedure on the training set and finding the size yielding the best accuracy. The tested size values belonged to the 5.10−3–5.10−1 range with a step of 5.10−3.

The following cross-validation method was employed to compute the test accuracy of the classifiers. For each participant, a classifier was trained using the features of other participants; accuracy was then computed by applying the trained model on the physiological data of the tested participant. Since the classifier is tested on the data of participants that are not present in the training set, this method allows evaluating the performance of the classifier in the worst case where the model is not user specific, i.e., no information about the specificity of the user’s physiology is required for emotion assessment, except for a baseline recording of 1 min. Due to the interparticipant variability that remains in physiological activity after baseline subtraction, player-independent classifiers will certainly yield a lower accuracy than player-dependant classifiers. However, this approach allows designing applications where it is not necessary to train a classifier for each user which is drastically time consuming [3].

Three feature-selection algorithms were applied on this problem to find the features that provide good generalization across participants. All those algorithms were applied on the training set to select features of interest, and only the selected features were used for the classification of the test set. An ANOVA feature selection was applied to keep only the features that are relevant to the class concept (p-value < 0.1). The fast correlation-based filter (FCBF) [39] was applied to select relevant features and remove redundant ones. The δFCBF threshold was set to 0.2 because of the following: 1) It was shown in [40] that this value is relevant for FCBF EEG feature selection; and 2) the number of features that has a correlation with the classes higher than 0.2 (7 for peripheral features and 23 for EEG features) is similar to the number of relevant features found using the ANOVA test (10 for peripheral features and 20 for EEG features). Finally, the sequential forward floating selection (SFFS) algorithm [41] was also used to select features of interest, including potentially interacting features. To search for features that have good generalization across participants, the accuracy of a feature subset was estimated by computing the participant cross-validation accuracy on the training

125

Fig. 5. Accuracies of the different classifiers and feature-selection methods on the peripheral features.

set. The maximum size of a feature subset for the SFFS algorithm was set to 18 for peripheral features and 20 for EEG features.

The fusion of the EEG and peripheral information was performed to improve classification accuracy. This fusion was performed at the decision level [42], by combining the outputs of the classifiers using the Bayes’ belief integration [43]. For Bayes’ belief integration, the errors produced by the classifiers are expressed by the probabilities P(y|yˆq) that a classifier q estimates a class as being yˆq, while the true class was y. These probabilities can be computed from the confusion matrices obtained from the training set. The fusion is then performed by assuming classifier independency and choosing the class y that maximizes the following probability:

(2)

where Q is the ensemble of classifiers used for the fusion.

Since the EEG signals were recorded only for 14 out of the 20 participants, the available number of samples for EEGbased classification is not the same as for peripheral-based classification. For this reason, the results obtained from EEG and peripheral features are separated in two sections with classification algorithm applied on 14 participants for EEG and 20 participants for peripheral features. In Section IV-D, the classification accuracies obtained with EEG and peripheral features on different time scales are compared, while the fusion of peripheral and EEG modalities is investigated in Section IV-E. In both cases, the classification accuracy was computed only on the 14 participants having EEG recorded.

B. Peripheral Signals

Fig. 5 presents the accuracies obtained by applying the classification methods on the features extracted from the

peripheral signals. Without feature selection, the LDA obtained the best accuracies of 54% showing its ability to find a boundary that generalizes well across participants. In any case, the accuracies are higher than the random level of 33%. Except for the ANOVA, the feature-selection methods always improved the classification accuracies. The best accuracy of 59% is obtained with the QDA combined with the SFFS feature selection. However, the FCBF results (58%) are not significantly different from those obtained with the SFFS algorithm because of the high variance of the accuracies. Moreover, the variance of the accuracies obtained with SFFS tends to be higher than those obtained with the FCBF which shows that the FCBF is more stable than the SFFS algorithm in selecting the proper features. According to the results and considering that the FCBF is much faster than the SFFS, the FCBF can be considered as the best feature-selection algorithm for this classification scheme.

Since the participant cross-validation method was used, the feature-selection algorithms were applied 20 times on different training sets. For this reason, the features selected at each iteration of the cross-validation procedure can be different. The histograms of Fig. 6 show, for each feature, the number of times it was selected by a given feature-selection algorithm. The average number of selected features is 3.5 for the FCBF, 9.35 for the ANOVA feature selection, and 4.8 for the SFFS. The ANOVA nearly always selected the features that were found to be relevant in Section III-A but with poor resulting accuracy (Fig. 5). Owing to the removal of redundant features, the FCBF strongly reduces the original size of the feature space with a good resulting accuracy. Moreover, this algorithm nearly always selected the same features independently of the training set showing its stability. The SFFS also obtained good performance, but as can be seen from Fig. 6, some of the features were selected only on some of the training sets, showing that this algorithm is less stable than the FCBF.

By inspecting the SFFS, FCBF, and ANOVA selected features, the fGSR

DecTime and fGSRNbPeaks features were always

selected which shows their importance for the classification of the three conditions from physiological signals. To our knowledge, similar features have been used only in [44] for emotion assessment despite of their apparent relevance. The µHR feature was frequently selected by the FCBF but never by the SFFS and vice versa for the σResp feature. The σResp feature was removed by the FCBF because it was correlated with µHR. However, the SFFS kept the σResp feature based on its predictive accuracy which suggests that this feature may be better than µHR for classification. Finally, the temperature features were also found to be frequently relevant.

Because of its good accuracy and low computational time, the FCBF algorithm coupled with QDA classification was used for further analyses involving the peripheral modality. Table V presents the confusion matrix for the three classes: It can be seen that the boredom condition was well classified, followed by the anxiety condition. Samples from the

126

engagement condition tend to be classified mostly as bored samples and also as anxious samples. This is not surprising since this condition lies in between the others. Notice that 21% of the samples belonging to the anxiety class are classified as bored samples; this can be due to the fact that some participants completely disengaged from the task because of its difficulty, reaching an emotional state close to boredom. In this case, the adaptive game we propose would increase the level of difficulty since the detected emotion would be boredom, which is not the proper decision to take. A solution to correct this problem could be to use contextual information such as the current level of difficulty and the direction of the last change in difficulty (i.e., increase or

decrease) to correctly determine the action to take. TABLE V

CONFUSION MATRIX FOR THE QDA CLASSIFIER WITH FCBF FEATURE SELECTION

Fig. 7. Accuracies of the different classifiers and feature-selection methods

on the EEG features.

C. EEG Signals

All the classification methods obtained accuracy higher than the random level of 33% (Fig. 7). Without feature selection, the LDA had the best accuracy of 49%, followed by the RBF SVM with 47%. As with the peripheral features, these results demonstrate the ability of linear and support vector classifiers to well generalize across the participants. The best result of 56% was obtained by the LDA coupled with ANOVA feature selection. The ANOVA feature-selection method always had a better performance than the other methods. To our knowledge, these are the first results concerning the identification of gaming conditions from EEG signals, particularly considering that the classifiers were trained using a cross-participant framework.

Fig. 6. Histograms of the number of cross-validation iterations (over a total of 20) in which the features have been selected by the FCBF, ANOVA, and SFFS feature-selection algorithms. The SFFS feature selection is displayed for the QDA classification.

127

As can be seen from Fig. 8, the FCBF selected less features than the two other feature-selection methods. It selected 3.1 features in average compared to 20.3 for the ANOVA and 13.0 for the SFFS coupled with the LDA. This explains the low accuracy obtained with the FCBF and shows that good accuracies on this problem can be obtained only by concatenating several features. The ANOVA algorithm often selected the features described in Section III-A. The SFFS coupled with the LDA had accuracies close to those of the ANOVA with LDA but by selecting less features in average. For this reason, the features selected by this method are of particular importance for accurate classification of the three gaming conditions. The more often selected features (selected more than eight times) were the theta band energies of the T7, O1, Cz, P4, and P3 electrodes and the beta band energies of the P7, Pz, and O2 electrodes. This result shows that the occipital and parietal lobes were particularly useful for the differentiation of the three gaming conditions.

The confusion matrix displayed in Table VI for the LDA and FCBF methods shows that the different classes were detected with similar accuracies. The medium condition still has the lowest accuracy but is better detected than when

using the peripheral features. On the other hand, the easy condition is detected with less accuracy than with peripheral features. This indicates that the fusion of the two modalities should increase the overall accuracy.

D. EEG and Peripheral Signals

In order to compare the accuracies obtained using either EEG or peripheral signals, the best combinations of classifiers and

TABLE VI

CONFUSION MATRIX FOR THE LDA CLASSIFIER WITH ANOVA

FEATURE SELECTION

feature-selection methods were applied on the physiological database with the same number of participants for both modalities (the 14 participants for whom EEG was recorded). Moreover, the comparison was conducted for different time scales to analyze the performance of each modality as a function of the signal duration used for the feature

Fig. 8. Histograms of the number of cross-validation iterations (over a total of 14) in which features have been selected by the FCBF, ANOVA, and SFFS feature-selection algorithms. The SFFS feature selection is displayed for the LDA classification.

128

computation. For this purpose, each session (see Fig. 2) was divided into one to ten nonoverlapping windows of 300/W s, where W is the number of windows and 300 s is the duration of a session. EEG and peripheral features were then computed from each window, and the label of the session was attributed to these features. By using this method, a database of physiological features was constructed for each window size ranging from 30 to 300 s.

For a database in which the features were computed from

W windows, the number of samples for each class is 20 × 2 ×

W (20 participants, 2 sessions per class, and W windows per

session). Thus, the number of samples per class increases

with W.

Since the number of samples can influence classification accuracy and the goal of this study is to analyze the performance of EEG and peripheral features at different time scales, it is important that this comparison be conducted with the same number of samples for each window’s length. To satisfy this constraint, one sample was chosen randomly from each session using a uniform distribution to have 20 × 2 = 40 samples per class. The classification algorithms were then applied on this reduced database. This was repeated 1000 times for each value of W to account for the different possible combinations of the windows (except for W = 1). Notice that it is not possible to perform classification for all window combinations since there are W40 of such combinations.

By using this method, the average accuracies over the 1000 iterations are displayed in Fig. 9. The small accuracy oscillations that can be observed for small time windows (less than 100 s) are likely due to the increase of the number of possible combinations of windows. As can be seen from Fig. 9, the accuracy obtained for the peripheral signals with the original duration of the sessions (300 s) is not significantly different from the one obtained with all of the 20 participants (see Section IV-B). Thus, having 13 or 19 participants for classifier training (because of participant cross validation) does not significantly change the classification performance. This suggests that adding more participants to the current database would not increase classification accuracies, and that, recording

Fig. 9. Classification accuracy as a function of the duration of a trial for EEG and peripheral features.

TABLE VII

CONFUSION MATRIX FOR THE “BAYES’ BELIEF INTEGRATION” FUSION

14 to 20 participants is enough to obtain reliable accuracy estimations.

For both modalities, decreasing the duration of the window on which the features are computed leads to a decrease of accuracy. However, this decrease is stronger for peripheral features than for EEG features. For the EEG features, the accuracy drops from 56% for windows of 300 s to around 51% for windows of 30–50 s. For the peripheral features, the accuracy is 57% for windows of 300 s and around 45% for windows of 30–50 s. Moreover, the EEG accuracy remains approximately the same for windows having duration inferior to 100 s, while the peripheral accuracy continues to decrease. All those results demonstrate that the EEG features are more robust on short-term assessment than the peripheral features. For our application, adapting the difficulty of the Tetris game based on the physiological signals gathered during precedent 5 min may be undesirable since there is a high probability that the difficulty of the game has changed during this laps of time due to usual game progress. Having modalities, like EEG, that are able to estimate the state of the user on shorter time periods is thus of great interest.

E. Fusion

As can be seen from the confusion matrices obtained from the classification based on the peripheral and EEG features (Tables V and VI), the errors made with these two feature sets are quite different. The Bayes’ belief integration is well suited for this type of problem and, thus, was employed for the fusion of the best classifiers found for each feature set (the LDA couples with ANOVA for EEG features and the QDA couples with FCBF for peripheral features). Another advantage of the Bayes’ belief integration is that the probabilities P(y|yˆq) as in (2) can be estimated independently for the two classifiers. It was thus possible to use the training data of 19 participants to compute probabilities for the peripheral features, while only 13 participants were used for the EEG features. The resulting accuracy and confusion matrices were obtained by using the participant cross validation applied on the 14 participants for whom both EEG and peripheral activity were recorded.

The accuracy obtained after fusion was 63% which corresponds to an increase of 5% compared to the best accuracy obtained with the peripheral features. Table VII

129

presents the confusion matrix obtained after fusion. By comparing this table to Tables V and VI, it can be observed that the detection accuracy of the easy and the hard classes was increased by 2% and 7%, respectively, compared to the accuracy obtained with the best feature set (peripheral features for the easy class and EEG features for the hard class). The accuracy obtained on the medium class with fusion (39%) is lower than the one obtained with EEG features (50%) but higher than with peripheral features (33%). When performing classification based either on EEG or peripheral features, many of the hard samples were classified as easy, while this problem was solved after fusion. All these results demonstrate the interest of peripheral and EEG fusion at the decision level for a more accurate detection of the three conditions.

The accuracy obtained in the present study is 15% lower than the one obtained in [3]. However, according to the confusion matrix presented in Table VII, the adjusted level of difficulty using the current method should oscillate around the true difficulty level where the participant experiences engagement. It is thus expected that our method will also improve a player’s experience. Moreover, as stressed before, the current method only requires a baseline recording of 1 min for each new player, compared to the recording of six 1-h training game sessions for each participant in [3].

V. CONCLUSION

This paper has investigated the possible use of emotion assessment from physiological signals to adapt the difficulty of a game. A protocol has been designed to record physiological activity and gather self-reports of 20 participants playing a Tetris game at three different levels of difficulty. The difficulty levels were determined according to the competence of the players on the task. Two types of analysis have been conducted on the data: First, a statistical analysis of self-reports and physiological data has been performed to control that different cognitive and emotional states were elicited by the protocol; second, classification has been conducted to determine whether it is possible to detect those states from physiological signals.

The results obtained from the analysis of self-reports and physiological data have showed that playing the Tetris game at different levels of difficulty gave rise to different emotional states. The easy difficulty was related to a state of low pleasure, low pressure, low arousal, and low motivation which was determined as boredom. The medium difficulty elicited higher arousal than the easy difficulty, as well as higher pleasure, higher motivation, and higher amusement. It was thus defined as engagement. Finally, the hard condition was associated to anxiety since it elicited high arousal, high pressure, and low pleasure. Moreover, the analysis of consecutive engaged trials has showed that the engagement of a player can decrease if the game difficulty

does not change. These results have demonstrated the importance of adapting the game difficulty according to the emotions of the player in order to maintain his/her engagement.

The classification accuracy of EEG and peripheral signals to recover the three states elicited by the gaming conditions has been analyzed for different classifiers, feature-selection methods, and durations on which the features have been computed. Without feature selection, the best classifiers obtained an accuracy around 55% for peripheral features and 48% for EEG features. The FCBF increased the best accuracy on the peripheral feature to 59%, while the ANOVA selection increased the accuracy to 56% for EEG features. The analysis of the classification accuracy for EEG and peripheral features computed on different duration demonstrated that the EEG features are more robust to a decrease in duration than the peripheral features, which confirms the importance of EEG features for short-term emotion assessment.

Future work will focus on the improvement of the detection accuracy. Fusion of physiological information with other modalities such as facial expressions, speech, and vocal signals would certainly improve the accuracy. Including game information such as the evolution of the score can also help to better detect the three states. Another question of interest is to determine the number of classes to be detected. Since boredom and anxiety are detected with higher confidence than engagement, it might be enough to use those two classes for adaptation to the game difficulty. Moreover, from the observation of Fig. 1, one can conclude that it is more interesting to adapt the difficulty of the game solely based on the increase of competence because it leads to a stronger change of state in the flow chart and stimulates learning. In this case, only the detection of boredom is of importance to modulate difficulty. This also implies to more clearly define the relations between emotions and competence changes. A future study would be to implement an adaptive Tetris game and verify that it is more fun and enjoyable than the standard one. Finally, analysis of physiological signals for different types of games is also required to see if the results of this study can be extended to other games.

ACKNOWLEDGMENT

The authors would like to thank Prof. K. Scherer and Dr. D. Grandjean from the Swiss Center for Affective Sciences as well as Dr. J. J.M. Kierkels and M. Soleymani for a number of helpful discussions.

REFERENCES

[1] M. Prensky, “Computer games and learning: Digital game-based learning,” in Handbook of Computer Games Studies, J. Raessens and

J. Goldstein, Eds. Cambridge, MA: MIT Press, 2005.

130

[2] R. W. Picard, Affective Computing. Cambridge, MA: MIT Press, 1997. [3] C. Liu, P. Agrawal, N. Sarkar, and S. Chen, “Dynamic difficulty ad-

justment in computer games through real-time anxiety-based affective feedback,” Int. J. Human-Comput. Interact., vol. 25, no. 6, pp. 506–529, Aug. 2009.

[4] K. R. Scherer, Appraisal Considered as a Process of Multi-Level Sequential Checking. Oxford, U.K.: Oxford Univ. Press, 2001.

[5] R. W. Picard, E. Vyzas, and J. Healey, “Toward machine emotional intelligence: Analysis of affective physiological state,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 10, pp. 1175–1191, Oct. 2001.

[6] C. L. Lisetti and F. Nasoz, “Using noninvasive wearable computers to recognize human emotions from physiological signals,” J. Appl. Signal Process., no. 11, pp. 1672–1687, 2004.

[7] P. Rani, C. Liu, N. Sarkar, and E. Vanman, “An empirical study of machine learning techniques for affect recognition in human-robot interaction,” Pattern Anal. Appl., vol. 9, no. 1, pp. 58–69, May 2006.

[8] R. L. Mandryk and M. S. Atkins, “A fuzzy physiological approach for continuously modeling emotion during interaction with play technologies,” Int. J. Human-Comput. Stud., vol. 65, no. 4, pp. 329–347, Apr. 2007.

[9] G. Chanel, C. Rebetez, M. Bétrancourt, and T. Pun, “Boredom, engagement and anxiety as indicators for adaptation to difficulty in games,” in Proc. 12th Int. MindTrek Conf.: Entertainment Media Ubiquitous Era, 2008, pp. 13–17.

[10] R. Cowie, E. Douglas-Cowie, N. Tsapatsoulis, G. Votsis, S. Kollias,

W. Fellenz, and J. G. Taylor, “Emotion recognition in human-computer interaction,” IEEE Signal Process. Mag., vol. 18, no. 1, pp. 32–80, Jan. 2001.

[11] D. Sander, D. Grandjean, and K. R. Scherer, “A systems approach to appraisal mechanisms in emotion,” Neural Netw., vol. 18, no. 4, pp. 317– 352, May 2005.

[12] R. J. Davidson, “Affective neuroscience and psychophysiology: Toward a synthesis,” Psychophysiology, vol. 40, no. 5, pp. 655–665, Sep. 2003.

[13] L. I. Aftanas, N. V. Reva, A. A. Varlamov, S. V. Pavlov, and V. P. Makhnev, “Analysis of evoked EEG synchronization and desynchronization in conditions of emotional activation in humans: Temporal and topographic characteristics,” Neurosci. Behav. Physiol., vol. 34, no. 8, pp. 859–867, Oct. 2004.

[14] A. P. R. Smith, K. E. Stephan, M. D. Rugg, and R. J. Dolan, “Task and content modulate amygdala-hippocampal connectivity in emotional retrieval,” Neuron, vol. 49, no. 4, pp. 631–638, Feb. 2006.

[15] K. Takahashi, “Remarks on emotion recognition from bio-potential signals,” in Proc. 2nd Int. Conf. Auton. Robots Agents, Palmerston North, New Zealand, 2004.

[16] G. Chanel, J. J. M. Kierkels, M. Soleymani, and T. Pun, “Short-term emotion assessment in a recall paradigm,” Int. J. Human-Comput. Stud., vol. 67, no. 8, pp. 607–627, Aug. 2009.

[17] F. G. Freeman, P. J. Mikulka, M. W. Scerbo, and L. Scott, “An evaluation of an adaptive automation system using a cognitive vigilance task,” Biol. Psychol., vol. 67, no. 3, pp. 283–297, Nov. 2004.

[18] A. T. Pope, E. H. Bogart, and D. S. Bartolome, “Biocybernetic system evaluates indexes of operator engagement in automated task,” Biol. Psychol., vol. 40, no. 1/2, pp. 187–195, May 1995.

[19] M. Besserve, M. Philippe, G. Florence, F. Laurent, L. Garnero, and

J. Martinerie, “Prediction of performance level during a cognitive task from ongoing EEG oscillatory activities,” Clin. Neurophysiol., vol. 119, no. 4, pp. 897–908, Apr. 2008.

[20] C. Berka, D. J. Levendowski, M. M. Cvetinovic, M. M. Petrovic,

G. Davis, M. N. Lumicao, V. T. Zivkovic, M. V. Popovic, and R. Olmstead, “Real-time analysis of EEG indexes of alertness, cognition, and memory acquired with a wireless EEG headset,” Int. J. Human-Comput. Interact., vol. 17, no. 2, pp. 151–170, Jun. 2004.

[21] G. F. Wilson and C. A. Russell, “Real-time assessment of mental workload using psychophysiological measures and artificial neural networks,” Hum. Factors, vol. 45, no. 4, pp. 635–643, Winter 2003.

[22] S. H. Fairclough, “Psychophysiological inference and physiological computer games,” in Proc. Brainplay: Brain-Comput. Interfaces Games, Workshop Int. Conf. Adv. Comput. Entertainment, 2007.

[23] P. Rani, N. Sarkar, and C. Liu, “Maintaining optimal challenge in computer games through real-time physiological feedback,” in Proc. 11th HCI Int., Las Vegas, NV, 2005, pp. 184–192.

[24] M. Csikszentmihalyi, Flow: The Psychology of Optimal Experience.

New York: Harper Collins, 1991.

[25] K. Salen and E. Zimmerman, Rules of Play: Game Design Fundamentals.

Cambridge, MA: MIT Press, 2004.

[26] R. Oostenveld and P. Praamstra, “The five percent electrode system for high-resolution EEG and ERP measurements,” Clin. Neurophysiol., vol. 112, no. 4, pp. 713–719, Apr. 2001.

[27] J. D. Morris, “SAM: The self-assessment manikin, an efficient cross- cultural measurement of emotional response,” J. Advertising Res., vol. 35, no. 6, pp. 63–68, Nov. 1995.

[28] G. Stemmler, M. Heldmann, C. A. Pauls, and T. Scherer, “Constraints for emotion specificity in fear and anger: The context counts,” Psychophysi- ology, vol. 38, no. 2, pp. 275–291, Mar. 2001.

[29] D. J. McFarland, L. M. McCane, S. V. David, and J. R. Wolpaw, “Spatial filter selection for EEG-based communication,” Electroencephalogr. Clin. Neurophysiol., vol. 103, no. 3, pp. 386–394, Sep. 1997.

[30] P. J. Lang, M. K. Greenwald, M. M. Bradley, and A. O. Hamm, “Looking at pictures: Affective, facial, visceral, and behavioral reactions,” Psy- chophysiology, vol. 30, no. 3, pp. 261–273, May 1993.

131

[31] J. A. Healey, “Wearable and automotive systems for affect recognition from physiology,” Ph.D. dissertation, Cambridge, MA, 2000.

[32] P. Rainville, A. Bechara, N. Naqvi, and A. R. Damasio, “Basic emotions are associated with distinct patterns of cardiorespiratory activity,” Int. J. Psychophysiol., vol. 61, no. 1, pp. 5–18, Jul. 2006.

[33] G. G. Berntson, J. T. Bigger, Jr., D. L. Eckberg, P. Grossman,

P. G. Kaufmann, M. Malik, H. N. Nagaraja, S. W. Porges, J. P. Saul,

P. H. Stone, and M. W. van der Molen, “Heart rate variability: Origins, methods, and interpretive caveats,” Psychophysiology, vol. 34, no. 6, pp. 623–648, Nov. 1997.

[34] J. Kim, “Emotion recognition from physiological measurement,” in Proc.

Humaine Eur. Netw. Excellence Workshop, 2004.

[35] P. Ekman, R. W. Levenson, and W. V. Friesen, “Autonomic nervous- system activity distinguishes among emotions,” Science, vol. 221, no. 4616, pp. 1208–1210, Sep. 1983.

[36] R. A. McFarland, “Relationship of skin temperature changes to the emotions accompanying music,” Appl. Psychophysiol. Biofeedback, vol. 10, pp. 255–267, Sep. 1985.

[37] C. M. Bishop, Pattern Recognition and Machine Learning. New York: Springer-Verlag, 2006.

[38] R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd ed.

New York: Wiley-Interscience, 2001.

[39] L. Yu and H. Liu, “Efficient feature selection via analysis of relevance and redundancy,” J. Mach. Learn. Res., vol. 5, pp. 1205–1224, 2004.

[40] G. Chanel, K. Ansari-Asl, and T. Pun, “Valence-arousal evaluation using physiological signals in an emotion recall paradigm,” in Proc. IEEE SMC Int. Conf. Syst., Man, Cybern., Smart Cooperative Syst. Cybern.: Adv. Knowl. Security Humanity, 2007, pp. 2662–2667.

[41] P. Pudil, F. J. Ferri, J. Novovicova, and J. Kittler, “Floating search methods for feature selection with nonmonotonic criterion functions,” in Proc. IEEE Int. Conf. Pattern Recog., 1994, vol. 2, pp. 279–283.

[42] C. Sanderson and K. K. Paliwal, “Identity verification using speech and face information,” Dig. Signal Process., vol. 14, no. 5, pp. 449–480, Sep. 2004.

[43] D. Ruta and B. Gabrys, “An overview of classifier fusion methods,”

Comput. Inf. Syst., vol. 7, no. 1, pp. 1–10, Feb. 2000.

[44] C. D. Katsis, N. Katertsidis, G. Ganiatsas, and D. I. Fotiadis, “Toward emotion recognition in car racing drivers: A biosignal processing approach,” IEEE Trans. Syst., Man, Cybern. A, Syst., Humans, vol. 38, no. 3, pp. 502–512, May 2008.

Cyril Rebetez received the M.S. degree in learning and teaching technology and the Ph.D. degree in psychology, both from the University of Geneva, Switzerland, with a thesis about multimedia anima- tions for learning, in 2006 and 2009, respectively. The focus of the thesis was to investigate the cognitive processes involved in processing multimedia information and describe the ways to create more understandable and usable media.

At the time of this research, he was with the Tech- nologies de Formation et d’Apprentissage Labora-

tory, University of Geneva, Switzerland, as a Research and Teaching Assistant in the master of learning and teaching technologies from 2003 to 2009. Since 2010, he has been with Sony Worldwide Studios, London, U.K., as a User Expe- rience Specialist. He is a Researcher interested in human–computer interaction, user experience, video games, multimedia learning, and other related topics.

Mireille Bétrancourt received the M.S. degree in psychology from University of Aix-en-Provence, France, in 1991 and the Ph.D. degree in cognitive sciences from the French National Institute of Technology of Grenoble, France, in 1996.

She is the Head of the Technologies de Forma- tion et d’Apprentissage Laboratory, University of Geneva, Switzerland. She was a Doctoral and Post- doctoral Fellow with the language and Representa- tion Team, French National Institute for Computer Science and Automation. She spent one year as a

Postdoctoral Fellow with Stanford University, Stanford, CA. She joined the Faculty of Psychology and Educational Sciences, University of Geneva, in 2000, and was appointed as a Full Professor in information technologies and learning processes in 2003. For over ten years, she has been investigating multimedia learning with two aims: first, providing knowledge about the cognitive processes underlying the comprehension of multimedia and multimodal information; and second, on the basis of cognitive assumptions, investigating how design features affect learning outcomes. Her publication list includes over 60 journal and conference papers.

Guillaume Chanel received the Dipl.Ing. degree in computing from the Institut Méditerranéen d’Etude et de Recherche en Informatique et Robotique, Peripgnan, France, in 2002 and the M.Sc. degree in robotics from the University of Montpellier, France, in 2002. He received his Ph.D. degree in computer science from the University of Geneva, Switzerland, in 2009, where he worked on the automatic assessment of emotions based on electroencephalogram

and peripheral signals.

From 2009 to 2010, he was a Researcher with the Knowledge Media Laboratory, Aalto University, Helsinki, Finland. He is currently a Researcher with the Mutimodal Interaction group, Computer Vision and Multimedia Laboratory, Computer Science Department, University of Geneva. His research interests concern the use of physiological measures for improving man–machine interaction and analyzing the mediated social interactions taking place in digital games and serious games.

Thierry Pun (S’79–M’92) received the E.E. Eng. degree and the Ph.D. degree in image processing, for the development of a visual prosthesis for the blind, both from the Swiss Federal Institute of Tech- nology, Lausanne, Switzerland, in 1979 and 1982, respectively.

He is the Head of the Computer Vision and Mul- timedia Laboratory, Computer Science Department, University of Geneva, Geneva, Switzerland. He was a Visiting Fellow at the National Institutes of Health, Bethesda, MD, from 1982 to 1985. After being a

CERN Fellow from 1985 to 1986 in Geneva„ he was with the University of Geneva in 1986, where he is currently a Full Professor with the Computer Science Department. He has authored or coauthored about 300 full papers as well as eight patents. His current research interests, related to affective computing and multimodal interaction, concern the following: physiological signal analysis for emotion assessment and brain–computer interaction, multimodal interfaces for blind users, data hiding, and multimedia information retrieval systems.

Mémoire de recherche documentaire, de terminologie et de … · 2016. 9. 28. · PDF Search...

Documents

Transcript of Mémoire de recherche documentaire, de terminologie et de … · 2016. 9. 28. · PDF Search...