Interpréter l’intention de conception à partir des observables verbaux : apports du machine learning à l’étude de l’activité de conception

Comprendre l’intention de conception est un enjeu central pour l’analyse des processus cognitifs en conception. Les protocoles de verbalisation de type think-aloud permettent d’y accéder, mais leur analyse manuelle reste coûteuse. Cette recherche explore le potentiel du machine learning pour interpréter automatiquement l’intention de conception à partir de verbalisations issues d’un corpus de dix-neuf sessions de conception, l’intention de conception est classifiée selon trois dimensions (forme, fonction et matérialité) et les résultats d’un modèle de langage contextuel sont comparés à un codage manuel. Les résultats montrent un taux global de concordance de 73,69 %, avec de meilleures performances pour la fonction et la matérialité que pour la forme. L’analyse met en évidence des limites liées à l’ambiguïté des catégories, au recouvrement des intentions et aux limites des observables verbaux. Ces travaux montrent que le machine learning constitue un outil complémentaire pour l’analyse de l’activité de conception et ouvrent des perspectives méthodologiques pour des approches multimodales à plus grande échelle.