University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Automatic Analysis of Learner Behavior on the Moodle Platform Type de document : texte imprimé Auteurs : Amar Mouaissi, Auteur ; Aimen Abdel Malek Hamadou ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (52 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : E-learning
Learner modeling
Educational Data Mining
, Moodle platform
Cosine silmilarity
K-means clusteringIndex. décimale : 004 - Informatique Résumé :
The thesis focuses on using educational data mining techniques to analyze student behavior
on the Moodle platform. A system was designed and implemented to collect and
analyze student data from Moodle using the K-means algorithm for clustering. This enables
detailed insights into student interaction with educational content. Python was the
primary programming language used for tool development, with data cleaning and extraction
of important behavioral parameters for each student. The study also demonstrates
the use of the Elbow method to determine the optimal number of clusters in K-means
clustering. The thesis emphasizes data analysis and pattern extraction through data mining
techniques, aiming to enhance understanding of student educational behavior on the
platform.Note de contenu : Sommaire
0.1 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.2 Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.3 General introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1 E-Learning 11
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 History of E-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Early Beginnings (1728-1858) . . . . . . . . . . . . . . . . . . . . . 11
1.2.2 Emergence of Technological Innovations (1892-1986) . . . . . . . . . 12
1.2.3 Learning Management Systems or LMS (1990) . . . . . . . . . . . . 12
1.2.4 Explosion of Online Learning (2012 and Beyond) . . . . . . . . . . 12
1.3 E-Learning Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 The Basics of E-learning . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 The Typology of E-learning . . . . . . . . . . . . . . . . . . . . . . 13
1.3.4 Approaches to E-learning . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 E-learning in Algeria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 E-learning During the COVID-19 Pandemic . . . . . . . . . . . . . 15
1.5 Online Training Platforms . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Platforms : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Learning Management System (LMS) . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Educational data mining 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3 Extraction of knowledge from Data . . . . . . . . . . . . . . . . . . 20
2.3 Educational data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 What is educational data mining? . . . . . . . . . . . . . . . . . . . 21
2.3.2 Learning analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Educational Data Mining Environments . . . . . . . . . . . . . . . 22
2.4 The EDM process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.1 Educational Environnent . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.3 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Desgin 26
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Working framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 System architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Simulation in Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 Collecting learner records . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.3 Create summary table . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.4 The application of Data Mining techniques to Moodle data . . . . . 31
3.3.5 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.6 Flowchart of the k-means algorithm . . . . . . . . . . . . . . . . . . 32
3.4 Modeling of our tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.1 Use case diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.2 Sequence diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Learner-to-learner similarity measure . . . . . . . . . . . . . . . . . . . . . 35
3.6 The cosine method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.7 K-means method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Realization 39
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 The tools used for develop our application . . . . . . . . . . . . . . . . . . 39
4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.2 Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Presentation our application . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 First step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Second step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.3 THIRD step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.4 Fourthly step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.5 Fifth Step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5 General Conclusion 45
6 ANNEXE : Sample of python code 46
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.3 Dataset and Matrix Initialization . . . . . . . . . . . . . . . . . . . . . . . 46
6.4 Cosine Similarity Calculation . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.5 Libraries for K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . 47
6.6 Display Similarity Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.7 Elbow Method for Optimal Clusters . . . . . . . . . . . . . . . . . . . . . . 48
6.8 K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.9 PCA and Cluster Visualization . . . . . . . . . . . . . . . . . . . . . . . . 49Côte titre : MAI/0914
Automatic Analysis of Learner Behavior on the Moodle Platform [texte imprimé] / Amar Mouaissi, Auteur ; Aimen Abdel Malek Hamadou ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (52 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : E-learning
Learner modeling
Educational Data Mining
, Moodle platform
Cosine silmilarity
K-means clusteringIndex. décimale : 004 - Informatique Résumé :
The thesis focuses on using educational data mining techniques to analyze student behavior
on the Moodle platform. A system was designed and implemented to collect and
analyze student data from Moodle using the K-means algorithm for clustering. This enables
detailed insights into student interaction with educational content. Python was the
primary programming language used for tool development, with data cleaning and extraction
of important behavioral parameters for each student. The study also demonstrates
the use of the Elbow method to determine the optimal number of clusters in K-means
clustering. The thesis emphasizes data analysis and pattern extraction through data mining
techniques, aiming to enhance understanding of student educational behavior on the
platform.Note de contenu : Sommaire
0.1 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.2 Dedication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.3 General introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1 E-Learning 11
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 History of E-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Early Beginnings (1728-1858) . . . . . . . . . . . . . . . . . . . . . 11
1.2.2 Emergence of Technological Innovations (1892-1986) . . . . . . . . . 12
1.2.3 Learning Management Systems or LMS (1990) . . . . . . . . . . . . 12
1.2.4 Explosion of Online Learning (2012 and Beyond) . . . . . . . . . . 12
1.3 E-Learning Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 The Basics of E-learning . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 The Typology of E-learning . . . . . . . . . . . . . . . . . . . . . . 13
1.3.4 Approaches to E-learning . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 E-learning in Algeria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 E-learning During the COVID-19 Pandemic . . . . . . . . . . . . . 15
1.5 Online Training Platforms . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Platforms : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Learning Management System (LMS) . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Educational data mining 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3 Extraction of knowledge from Data . . . . . . . . . . . . . . . . . . 20
2.3 Educational data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 What is educational data mining? . . . . . . . . . . . . . . . . . . . 21
2.3.2 Learning analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.3 Educational Data Mining Environments . . . . . . . . . . . . . . . 22
2.4 The EDM process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.1 Educational Environnent . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.3 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Desgin 26
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Working framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 System architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Simulation in Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 Collecting learner records . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.3 Create summary table . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.4 The application of Data Mining techniques to Moodle data . . . . . 31
3.3.5 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.6 Flowchart of the k-means algorithm . . . . . . . . . . . . . . . . . . 32
3.4 Modeling of our tool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.1 Use case diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.2 Sequence diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Learner-to-learner similarity measure . . . . . . . . . . . . . . . . . . . . . 35
3.6 The cosine method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.7 K-means method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Realization 39
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 The tools used for develop our application . . . . . . . . . . . . . . . . . . 39
4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.2 Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Presentation our application . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 First step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Second step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.3 THIRD step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.4 Fourthly step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.5 Fifth Step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5 General Conclusion 45
6 ANNEXE : Sample of python code 46
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.3 Dataset and Matrix Initialization . . . . . . . . . . . . . . . . . . . . . . . 46
6.4 Cosine Similarity Calculation . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.5 Libraries for K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . 47
6.6 Display Similarity Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.7 Elbow Method for Optimal Clusters . . . . . . . . . . . . . . . . . . . . . . 48
6.8 K-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.9 PCA and Cluster Visualization . . . . . . . . . . . . . . . . . . . . . . . . 49Côte titre : MAI/0914
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0914 MAI/0914 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Automatic classification of practical work tasks Type de document : texte imprimé Auteurs : Wail Bennani, Auteur ; Hossem Halimi ; Douar, Amel, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (72 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Data mining
Traitement du langage naturel
Machine learning et deep learning
Réseaux de neurones
Classification.Index. décimale : 004 - Informatique Résumé : Nos travaux recoupent les domaines suivants : le traitement de
texte, la classification qui est une branche de l'apprentissage
automatique, l'extraction d'informations pertinentes du texte et
iii
l'enseignement à distance. Pour cela, nous proposons une méthode de
travail qui intègre des techniques de machine learning pour le
traitement et l'extraction de texte Informations importantes de la
feuille de travail de candidature afin de classer ces données en
fonction de Ce que nous voulons Nous passerons par certaines étapes
pour atteindre l'objectif final qui est le classement = Our work intersects with the following areas: word processing,
classification which is a branch of machine learning, extraction of
relevant information from text and distance education. For this, we
propose a working method that integrates machine learning
techniques for text processing and extraction Important information
from the application worksheet in order to classify this data according
to What we want. We will go through certain stages to reach the final
goal, which is classification.
Côte titre : MAI/0826
En ligne : https://drive.google.com/file/d/1fUN9yvMkkeBuwsBhNnXJtywU-iUfyang/view?usp=drive [...] Format de la ressource électronique : Automatic classification of practical work tasks [texte imprimé] / Wail Bennani, Auteur ; Hossem Halimi ; Douar, Amel, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (72 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Data mining
Traitement du langage naturel
Machine learning et deep learning
Réseaux de neurones
Classification.Index. décimale : 004 - Informatique Résumé : Nos travaux recoupent les domaines suivants : le traitement de
texte, la classification qui est une branche de l'apprentissage
automatique, l'extraction d'informations pertinentes du texte et
iii
l'enseignement à distance. Pour cela, nous proposons une méthode de
travail qui intègre des techniques de machine learning pour le
traitement et l'extraction de texte Informations importantes de la
feuille de travail de candidature afin de classer ces données en
fonction de Ce que nous voulons Nous passerons par certaines étapes
pour atteindre l'objectif final qui est le classement = Our work intersects with the following areas: word processing,
classification which is a branch of machine learning, extraction of
relevant information from text and distance education. For this, we
propose a working method that integrates machine learning
techniques for text processing and extraction Important information
from the application worksheet in order to classify this data according
to What we want. We will go through certain stages to reach the final
goal, which is classification.
Côte titre : MAI/0826
En ligne : https://drive.google.com/file/d/1fUN9yvMkkeBuwsBhNnXJtywU-iUfyang/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0826 MAI/0826 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Automatic generation of product descriptions Type de document : texte imprimé Auteurs : Behilil ,Hamza, Auteur ; Harrag,Fouzi, Auteur Année de publication : 2021 Importance : 1 vol (57 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Product Description
Text GenerationIndex. décimale : 004 - Informatique Résumé :
Product descriptions play an important role in e-commerce websites, where they
give to customers the information needed about the product they looking for. These
websites witness a daily addition of a large number of new products especially
in fashion domain, each product needs to have its specific description. Writing
these descriptions manually is a tedious and time consuming process, so our system
comes to solve this problem by presenting an NLP system based on a transformer
model which is GPT-Neo with the help of a word embedding model (word2vec) to
generate these descriptions automatically. Our 14k dataset was collected from a famous
arabic e-commerce website called noon and it contains titles and descriptions
of different categories in fashion domain. We used our dataset to train and fine-tune
word2vec and GPT-Neo models respectively then, we combined them to create our
system which takes product title as input and give product description as output.
Evaluation of our systems showed promising results with 67% of recall and 72% of
precision.Côte titre : MAI/0533 En ligne : https://drive.google.com/file/d/1lTdODus5T0OPVo4IO2g8PInCaCuIANT5/view?usp=shari [...] Format de la ressource électronique : Automatic generation of product descriptions [texte imprimé] / Behilil ,Hamza, Auteur ; Harrag,Fouzi, Auteur . - 2021 . - 1 vol (57 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Product Description
Text GenerationIndex. décimale : 004 - Informatique Résumé :
Product descriptions play an important role in e-commerce websites, where they
give to customers the information needed about the product they looking for. These
websites witness a daily addition of a large number of new products especially
in fashion domain, each product needs to have its specific description. Writing
these descriptions manually is a tedious and time consuming process, so our system
comes to solve this problem by presenting an NLP system based on a transformer
model which is GPT-Neo with the help of a word embedding model (word2vec) to
generate these descriptions automatically. Our 14k dataset was collected from a famous
arabic e-commerce website called noon and it contains titles and descriptions
of different categories in fashion domain. We used our dataset to train and fine-tune
word2vec and GPT-Neo models respectively then, we combined them to create our
system which takes product title as input and give product description as output.
Evaluation of our systems showed promising results with 67% of recall and 72% of
precision.Côte titre : MAI/0533 En ligne : https://drive.google.com/file/d/1lTdODus5T0OPVo4IO2g8PInCaCuIANT5/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0533 MAI/0533 livre Bibliothéque des sciences Anglais Disponible
DisponibleAutomatic medical decision for diagnosis of infectious diseases based on artificial intelligence approaches / Aya Messai
Titre : Automatic medical decision for diagnosis of infectious diseases based on artificial intelligence approaches Type de document : document électronique Auteurs : Aya Messai, Auteur ; Ahlem Drif, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2025 Importance : 1 vol (141 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Black box model
Infectious Diseases
Meningitis diagnosis
Artificial Intelligence (AI) in Clinical Diagnostics
Explainable AI (XAI)
Interpretable Diagno-sis
Trustworthy AI in HealthcareIndex. décimale : 004 - Informatique Résumé : Infectious diseases present complex diagnostic challenges due to the overlapping clinical
manifestations caused by diverse pathogens. Meningitis, in particular, remains a significant
global health concern due to its high morbidity and mortality, especially when
diagnosis and treatment are delayed. Traditional diagnostic methods often involve invasive
procedures and extensive laboratory testing, which can be time-consuming and
resource-intensive. This Ph.D. research investigates the integration of artificial intelligence
(AI) into the diagnostic process, aiming to enhance accuracy, speed, and interpretability
through the use of explainable AI (XAI) techniques.
The first phase of this study examines cerebrospinal fluid (CSF) biomarker variations
across different age groups—children, adults, and the elderly—within various
types of meningitis. By analyzing these patterns, we aim to improve the understanding
of diagnostic and clinical variations and their implications for treatment strategies.
This analysis establishes a foundational understanding of how biomarkers behave in
different populations and infection contexts.
Our next contribution focuses on diagnosing multiple meningitis types using ensemble
models and SHapley Additive exPlanations (SHAP) to interpret feature importance.
Using data from Setif Hospital (Algeria) and Brazil’s SINAN database, we validated
our findings across diverse populations. Extreme Gradient Boosting achieved strong
performance (accuracy: 0.90, AUROC: 0.94, F1-score: 0.98). SHAP revealed distinct
biomarker profiles such as elevated neutrophils in meningococcal, high lymphocytes
in tuberculous, and neutrophil dominance in H. influenzae meningitis, along with clinically
relevant diagnostic patterns. These results highlight the model’s ability to distinguish
bacterial, viral, and pathogen-specific meningitis, increasing trust in AI-driven
diagnostics.
Our third contribution develops specialized models for meningococcal meningitis,
emphasizing local explainability for precise diagnosis. We tested several models on
934 cases, with gradient boosting performing best (accuracy: 0.88, AUROC: 0.93, F1-
score: 0.87). Using XAI tools like ELI5 and LIME, we provided local explanations
that highlighted key diagnostic factors, including Neisseria meningitidis presence, CSF
WBC count, patient age, and neutrophil levels. These insights support clinical trust by
aligning model predictions with medical reasoning.
To enhance AI transparency, we introduced a novel explainable approach that integrates
medical expertise into the interpretation of black-box models. Using concept
vector analysis, we assessed the contribution of symptoms and biomarkers in identifying
pneumococcal meningitis. Our deep learning model showed strong performance
(accuracy: 92.23%, F1-score: 92.98%, AUROC: 92.36%) and remained robust in realworld
validation, correctly identifying most cases with high agreement (Cohen’s Kappa:
0.75). Bio-TCAV revealed clinical signs (0.92), medical history (0.79), and CSF aspect
(0.88) as key influences on predictions, while biomarkers had a moderate effect (0.56).
Tests like PCR, culture, LATEX, and bacterioscopy were most influential (TCAV =
1) aligning with their critical role in real-world meningitis diagnosis. Welch’s t-test
confirmed that these differences in TCAV scores were statistically significant.Note de contenu :
Sommaire
List of Tables vii
1 Explainable AI background: Fundamental theories and literature review. 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Explainable Artificial Intelligence (XAI) . . . . . . . . . . . . . . . . . . . 8
1.2.1 Making AI understandable to end users . . . . . . . . . . . . . . . 8
1.2.2 Where is XAI crucial? . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 What is “Easily Interpretable”? . . . . . . . . . . . . . . . . . . . 12
1.2.4 Performance and interpretability trade-off . . . . . . . . . . . . . . 13
1.2.5 Interpretability metrics . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.6 Explainability vs. Inerpretability . . . . . . . . . . . . . . . . . . . 14
1.2.7 Model transparency: White Box vs. Black Box . . . . . . . . . . . 15
1.3 Explainable Artificial Intelligence (XAI): taxonomy and methods . . . . . . 16
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Ante-Hoc vs. Post-Hoc Interpretability . . . . . . . . . . . . . . . 16
1.3.3 Global vs. Local Explainability . . . . . . . . . . . . . . . . . . . 22
1.3.4 Model-Agnostic vs. Model-Specific Methods . . . . . . . . . . . . 23
1.4 Properties of explanation . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Categories of explanation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6 XAI model for infectious diseases diagnosis . . . . . . . . . . . . . . . . . 27
1.6.1 Advancements in clinical decision support systems for diagnosing
Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.2 Models Explainibility . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 Comprehensive review of infectious diseases 35
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Infectious causes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Biologic Characteristics of the organism . . . . . . . . . . . . . . . 38
2.2.2 Quantification of infectious diseases . . . . . . . . . . . . . . . . . 40
2.3 Temporal patterns of infectious diseases . . . . . . . . . . . . . . . . . . . 41
2.4 Central Nervous System infections . . . . . . . . . . . . . . . . . . . . . . 42
2.4.1 Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.2 Viral Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.2.1 Enteroviruses/parechoviruses: . . . . . . . . . . . . . . . 43
2.4.2.2 Herpes Viruses . . . . . . . . . . . . . . . . . . . . . . 44
2.4.2.3 Arboviruses . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.2.4 Other Viruses . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.3 Bacterial Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.3.1 Epidemiology . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.4 Differentiation between bacterial and viral Meningitis . . . . . . . 47
2.4.5 Clinical presentation . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.6 Diagnostic tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5 A comprehensive investigation into the ranges of laboratory tests present in
cerebrospinal fluid across various types of meningitis within different age
categories . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5.1 Materials and methods . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.6 AI in Healthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.6.1 Justifying decisions . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.6.2 Explainability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3 Towards XAI agnostic explainability to assess differential diagnosis for Meningitis
diseases 66
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.1 Data preparation: Study case . . . . . . . . . . . . . . . . . . . . . 68
3.2.2 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.3 Models investigation . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2.4 Model agnostic explainibility . . . . . . . . . . . . . . . . . . . . . 75
3.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.1 Model validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.2 XGBoost Global interpretability . . . . . . . . . . . . . . . . . . . 78
3.3.3 Features impact on the Meningitis diagnosis outcome . . . . . . . . 80
3.3.4 Influence of Neutrophil and Lymphocyte Levels on Meningitis Predictions
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.6 Future directions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4 Transparent AI Models for Meningococcal Meningitis Diagnosis: Evaluating
Interpretability and Performance Metrics 90
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3 Experiment and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Discussion and conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5 Does AI model resonate like a medical expert?: A novel concept-based model
explanations for Meningitis diagnosis 104
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.2 The proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2.1 Domain knowledge-based feature selection . . . . . . . . . . . . . 106
5.2.2 Features engineering and concept definition . . . . . . . . . . . . . 106
5.2.3 Model implementation . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.4 Bio-TCAV explanation approach for diagnosis . . . . . . . . . . . . 108
5.2.4.1 Activation extraction . . . . . . . . . . . . . . . . . . . . 108
5.2.4.2 Concept classifier training . . . . . . . . . . . . . . . . . 109
5.2.4.3 Concept Activation Vectors (CAVs) . . . . . . . . . . . . 109
5.2.4.4 Reliability and statistical significance . . . . . . . . . . . 109
5.3 Experimental setting and results . . . . . . . . . . . . . . . . . . . . . . . 111
5.3.1 Data analysis exploration . . . . . . . . . . . . . . . . . . . . . . . 112
5.3.2 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . 113
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117Côte titre : DI/0089 Automatic medical decision for diagnosis of infectious diseases based on artificial intelligence approaches [document électronique] / Aya Messai, Auteur ; Ahlem Drif, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2025 . - 1 vol (141 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Black box model
Infectious Diseases
Meningitis diagnosis
Artificial Intelligence (AI) in Clinical Diagnostics
Explainable AI (XAI)
Interpretable Diagno-sis
Trustworthy AI in HealthcareIndex. décimale : 004 - Informatique Résumé : Infectious diseases present complex diagnostic challenges due to the overlapping clinical
manifestations caused by diverse pathogens. Meningitis, in particular, remains a significant
global health concern due to its high morbidity and mortality, especially when
diagnosis and treatment are delayed. Traditional diagnostic methods often involve invasive
procedures and extensive laboratory testing, which can be time-consuming and
resource-intensive. This Ph.D. research investigates the integration of artificial intelligence
(AI) into the diagnostic process, aiming to enhance accuracy, speed, and interpretability
through the use of explainable AI (XAI) techniques.
The first phase of this study examines cerebrospinal fluid (CSF) biomarker variations
across different age groups—children, adults, and the elderly—within various
types of meningitis. By analyzing these patterns, we aim to improve the understanding
of diagnostic and clinical variations and their implications for treatment strategies.
This analysis establishes a foundational understanding of how biomarkers behave in
different populations and infection contexts.
Our next contribution focuses on diagnosing multiple meningitis types using ensemble
models and SHapley Additive exPlanations (SHAP) to interpret feature importance.
Using data from Setif Hospital (Algeria) and Brazil’s SINAN database, we validated
our findings across diverse populations. Extreme Gradient Boosting achieved strong
performance (accuracy: 0.90, AUROC: 0.94, F1-score: 0.98). SHAP revealed distinct
biomarker profiles such as elevated neutrophils in meningococcal, high lymphocytes
in tuberculous, and neutrophil dominance in H. influenzae meningitis, along with clinically
relevant diagnostic patterns. These results highlight the model’s ability to distinguish
bacterial, viral, and pathogen-specific meningitis, increasing trust in AI-driven
diagnostics.
Our third contribution develops specialized models for meningococcal meningitis,
emphasizing local explainability for precise diagnosis. We tested several models on
934 cases, with gradient boosting performing best (accuracy: 0.88, AUROC: 0.93, F1-
score: 0.87). Using XAI tools like ELI5 and LIME, we provided local explanations
that highlighted key diagnostic factors, including Neisseria meningitidis presence, CSF
WBC count, patient age, and neutrophil levels. These insights support clinical trust by
aligning model predictions with medical reasoning.
To enhance AI transparency, we introduced a novel explainable approach that integrates
medical expertise into the interpretation of black-box models. Using concept
vector analysis, we assessed the contribution of symptoms and biomarkers in identifying
pneumococcal meningitis. Our deep learning model showed strong performance
(accuracy: 92.23%, F1-score: 92.98%, AUROC: 92.36%) and remained robust in realworld
validation, correctly identifying most cases with high agreement (Cohen’s Kappa:
0.75). Bio-TCAV revealed clinical signs (0.92), medical history (0.79), and CSF aspect
(0.88) as key influences on predictions, while biomarkers had a moderate effect (0.56).
Tests like PCR, culture, LATEX, and bacterioscopy were most influential (TCAV =
1) aligning with their critical role in real-world meningitis diagnosis. Welch’s t-test
confirmed that these differences in TCAV scores were statistically significant.Note de contenu :
Sommaire
List of Tables vii
1 Explainable AI background: Fundamental theories and literature review. 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Explainable Artificial Intelligence (XAI) . . . . . . . . . . . . . . . . . . . 8
1.2.1 Making AI understandable to end users . . . . . . . . . . . . . . . 8
1.2.2 Where is XAI crucial? . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 What is “Easily Interpretable”? . . . . . . . . . . . . . . . . . . . 12
1.2.4 Performance and interpretability trade-off . . . . . . . . . . . . . . 13
1.2.5 Interpretability metrics . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.6 Explainability vs. Inerpretability . . . . . . . . . . . . . . . . . . . 14
1.2.7 Model transparency: White Box vs. Black Box . . . . . . . . . . . 15
1.3 Explainable Artificial Intelligence (XAI): taxonomy and methods . . . . . . 16
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Ante-Hoc vs. Post-Hoc Interpretability . . . . . . . . . . . . . . . 16
1.3.3 Global vs. Local Explainability . . . . . . . . . . . . . . . . . . . 22
1.3.4 Model-Agnostic vs. Model-Specific Methods . . . . . . . . . . . . 23
1.4 Properties of explanation . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Categories of explanation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6 XAI model for infectious diseases diagnosis . . . . . . . . . . . . . . . . . 27
1.6.1 Advancements in clinical decision support systems for diagnosing
Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.2 Models Explainibility . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 Comprehensive review of infectious diseases 35
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Infectious causes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Biologic Characteristics of the organism . . . . . . . . . . . . . . . 38
2.2.2 Quantification of infectious diseases . . . . . . . . . . . . . . . . . 40
2.3 Temporal patterns of infectious diseases . . . . . . . . . . . . . . . . . . . 41
2.4 Central Nervous System infections . . . . . . . . . . . . . . . . . . . . . . 42
2.4.1 Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.2 Viral Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4.2.1 Enteroviruses/parechoviruses: . . . . . . . . . . . . . . . 43
2.4.2.2 Herpes Viruses . . . . . . . . . . . . . . . . . . . . . . 44
2.4.2.3 Arboviruses . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.2.4 Other Viruses . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.3 Bacterial Meningitis . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.3.1 Epidemiology . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.4 Differentiation between bacterial and viral Meningitis . . . . . . . 47
2.4.5 Clinical presentation . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.6 Diagnostic tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5 A comprehensive investigation into the ranges of laboratory tests present in
cerebrospinal fluid across various types of meningitis within different age
categories . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5.1 Materials and methods . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.6 AI in Healthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.6.1 Justifying decisions . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.6.2 Explainability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3 Towards XAI agnostic explainability to assess differential diagnosis for Meningitis
diseases 66
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.1 Data preparation: Study case . . . . . . . . . . . . . . . . . . . . . 68
3.2.2 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.3 Models investigation . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2.4 Model agnostic explainibility . . . . . . . . . . . . . . . . . . . . . 75
3.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.1 Model validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3.2 XGBoost Global interpretability . . . . . . . . . . . . . . . . . . . 78
3.3.3 Features impact on the Meningitis diagnosis outcome . . . . . . . . 80
3.3.4 Influence of Neutrophil and Lymphocyte Levels on Meningitis Predictions
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.6 Future directions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4 Transparent AI Models for Meningococcal Meningitis Diagnosis: Evaluating
Interpretability and Performance Metrics 90
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3 Experiment and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Discussion and conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5 Does AI model resonate like a medical expert?: A novel concept-based model
explanations for Meningitis diagnosis 104
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.2 The proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2.1 Domain knowledge-based feature selection . . . . . . . . . . . . . 106
5.2.2 Features engineering and concept definition . . . . . . . . . . . . . 106
5.2.3 Model implementation . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.4 Bio-TCAV explanation approach for diagnosis . . . . . . . . . . . . 108
5.2.4.1 Activation extraction . . . . . . . . . . . . . . . . . . . . 108
5.2.4.2 Concept classifier training . . . . . . . . . . . . . . . . . 109
5.2.4.3 Concept Activation Vectors (CAVs) . . . . . . . . . . . . 109
5.2.4.4 Reliability and statistical significance . . . . . . . . . . . 109
5.3 Experimental setting and results . . . . . . . . . . . . . . . . . . . . . . . 111
5.3.1 Data analysis exploration . . . . . . . . . . . . . . . . . . . . . . . 112
5.3.2 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . 113
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117Côte titre : DI/0089 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0089 DI/0089 Thèse Bibliothéque des sciences Anglais Disponible
DisponibleL'Automatisation des chaines d'approvisionnement en utilisation l'orchestration des services web / BOUZOUIKA, Safia
Titre : L'Automatisation des chaines d'approvisionnement en utilisation l'orchestration des services web Type de document : texte imprimé Auteurs : BOUZOUIKA, Safia ; SAIDI,MOHAMED, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (41f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie logiciel
services web
BPEL
orchestrationIndex. décimale : 004 Informatique Résumé : Résumé
Les services Web sont des technologies émergentes, prometteuses pour le
développement, le déploiement et l’intégration d’applications Internet. Ces technologies
fournissent une infrastructure pour décrire (WSDL), découvrir (UDDI) et invoquer
(SOAP) des services Web. Ces technologies sont basées sur XML qui constitue la
technologie utilisée pour développer les services Web.
Les services web sont des applications accessibles sur Internet réalisant chacune une
tâche spécifique. Pour fournir une solution à une tâche complexe, on peut regrouper des
services web pour n’en former qu’un seul ; on parle alors de composition de services web.
L’objectif principal de notre travail est d'automatiser les chaines
d'approvisionnement en utilisant l'orchestration des services web .Cette orchestration
consiste à composer les différents services web de notre application afin d’élaborer des
processus d’affaires permettant la gestion de l’interaction entre eux. Nous avons utilisé le
langage BPEL4WS (Business Process Execution Language for Web Services) pour
programmer les échanges entre les différents services web de l’application, à savoir
service stock, service production, service approvisionnement.
Services web, composition de services web, orchestration, BPEL,
Note de contenu : Sommaire
Remerciement .............................................................................................................. 2
Dédicaces ..................................................................................................................... 3
Liste des figures ........................................................................................................... 6
Liste des sigles et abréviations..................................................................................... 7
Sommaire ..................................................................................................................... 8
Introduction générale ................................................................................................... 1
Chapitre I : Les Web services
1.1. Services web ................................................................................................ 3
1.1.1. Définition................................................................................................. 3
1.1.2. Objectif .................................................................................................... 4
1.1.3. Architecture et infrastructure des services web....................................... 4
1.2. XML et les principales technologies des Services Web ........................... 6
1.2.1. XML.......................................................................................................... 6
1.2.2. Protocole SOAP ........................................................................................ 7
1.2.2.1. Définition ........................................................................................... 7
1.2.2.2. Structure d'un message SOAP............................................................ 7
1.2.2.3. Enveloppe SOAP ............................................................................... 8
1.2.2.4. En-tête SOAP ..................................................................................... 8
1.2.2.5. Corps SOAP....................................................................................... 9
1.2.2.6. Erreurs (Fault) .................................................................................. 10
1.2.3. Langage WSDL....................................................................................... 10
1.2.3.1. Définition .......................................................................................... 10
1.2.3.2. Structure d’un document WSDL...................................................... 10
1.2.4. Annuaire UDDI....................................................................................... 12
1.2.4.1. Définition .......................................................................................... 12
1.3. Avantage .................................................................................................... 13
1.4. Inconvénient............................................................................................... 14
Chapitre II : Composition des services Web
2.1. Définition ................................................................................................... 16
2.2. Type de composition.................................................................................. 16
2.2.1. Composition statique............................................................................. 16
2.2.1.1. Orchestration .................................................................................. 16
2.2.1.2. Chorégraphie .................................................................................. 17
2.2.2. Composition dynamique........................................................................ 18
2.2.2.1. L'approche sémantique ................................................................... 18
2.2.2.2. L'approche industrielle ................................................................... 18
2.2.2.3. L'approche formelle........................................................................ 18
2.3. Langage de définition ................................................................................ 19
2.4. BPEL.......................................................................................................... 19
2.4.1. Définition............................................................................................... 19
2.4.2. Les composants de BPEL...................................................................... 20
2.4.3. Outil de modélisation de BPEL............................................................. 24
Chapitre III : Conception et implementation
3.1. Les chaines d'approvisionnements............................................................. 26
3.1.1. Définition............................................................................................... 26
3.1.2. Gestion de la chaine d'approvisionnement ............................................ 27
3.1.3. Niveaux d’analyse de la chaîne d’approvisionnement .......................... 27
3.1.4. Risque de la chaine d'approvisionnement ............................................. 28
3.1.4.1. Les risques internes (opérationnels) ............................................... 28
3.1.4.2. Les risques externes (aléas) ............................................................ 28
3.1.4.3. Les risques stratégiques.................................................................. 28
3.1.4.4. Les risques des externalités ............................................................ 28
3.2. Lieu de réalisation de projet : Unité de production de tubes en PVC et
PEHD « K-Plast »............................................................................................................ 28
3.3. Introduction à UML ................................................................................... 29
3.4. Les diagrammes UML utilisés ................................................................... 29
3.4.1. Le diagramme d'activité ........................................................................ 30
Chapitre II : Composition des services Web
Chapitre III : Conception et implementation
3.4.2. Diagramme de Classe ............................................................................ 31
3.4.3. Le diagramme de séquence ................................................................... 33
3.5. Environnement de développement............................................................. 36
3.5.1. Système d’exploitation .......................................................................... 36
3.5.2. Outils de programmation....................................................................... 36
3.5.3. Type de serveur ..................................................................................... 36
3.5.4. La base de données................................................................................ 37
3.5.5. Langage de programmation utilisée ...................................................... 37
3.6. Présentation de logiciel .............................................................................. 38
Conclusion générale ................................................................................................... 40
Bibliographie et sitographie ....................................................................................... 41Côte titre : MAI/0032 En ligne : https://drive.google.com/file/d/1o9VfsRmK5m9GjsDYuasmXxziY0amjb3o/view?usp=shari [...] Format de la ressource électronique : L'Automatisation des chaines d'approvisionnement en utilisation l'orchestration des services web [texte imprimé] / BOUZOUIKA, Safia ; SAIDI,MOHAMED, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (41f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie logiciel
services web
BPEL
orchestrationIndex. décimale : 004 Informatique Résumé : Résumé
Les services Web sont des technologies émergentes, prometteuses pour le
développement, le déploiement et l’intégration d’applications Internet. Ces technologies
fournissent une infrastructure pour décrire (WSDL), découvrir (UDDI) et invoquer
(SOAP) des services Web. Ces technologies sont basées sur XML qui constitue la
technologie utilisée pour développer les services Web.
Les services web sont des applications accessibles sur Internet réalisant chacune une
tâche spécifique. Pour fournir une solution à une tâche complexe, on peut regrouper des
services web pour n’en former qu’un seul ; on parle alors de composition de services web.
L’objectif principal de notre travail est d'automatiser les chaines
d'approvisionnement en utilisant l'orchestration des services web .Cette orchestration
consiste à composer les différents services web de notre application afin d’élaborer des
processus d’affaires permettant la gestion de l’interaction entre eux. Nous avons utilisé le
langage BPEL4WS (Business Process Execution Language for Web Services) pour
programmer les échanges entre les différents services web de l’application, à savoir
service stock, service production, service approvisionnement.
Services web, composition de services web, orchestration, BPEL,
Note de contenu : Sommaire
Remerciement .............................................................................................................. 2
Dédicaces ..................................................................................................................... 3
Liste des figures ........................................................................................................... 6
Liste des sigles et abréviations..................................................................................... 7
Sommaire ..................................................................................................................... 8
Introduction générale ................................................................................................... 1
Chapitre I : Les Web services
1.1. Services web ................................................................................................ 3
1.1.1. Définition................................................................................................. 3
1.1.2. Objectif .................................................................................................... 4
1.1.3. Architecture et infrastructure des services web....................................... 4
1.2. XML et les principales technologies des Services Web ........................... 6
1.2.1. XML.......................................................................................................... 6
1.2.2. Protocole SOAP ........................................................................................ 7
1.2.2.1. Définition ........................................................................................... 7
1.2.2.2. Structure d'un message SOAP............................................................ 7
1.2.2.3. Enveloppe SOAP ............................................................................... 8
1.2.2.4. En-tête SOAP ..................................................................................... 8
1.2.2.5. Corps SOAP....................................................................................... 9
1.2.2.6. Erreurs (Fault) .................................................................................. 10
1.2.3. Langage WSDL....................................................................................... 10
1.2.3.1. Définition .......................................................................................... 10
1.2.3.2. Structure d’un document WSDL...................................................... 10
1.2.4. Annuaire UDDI....................................................................................... 12
1.2.4.1. Définition .......................................................................................... 12
1.3. Avantage .................................................................................................... 13
1.4. Inconvénient............................................................................................... 14
Chapitre II : Composition des services Web
2.1. Définition ................................................................................................... 16
2.2. Type de composition.................................................................................. 16
2.2.1. Composition statique............................................................................. 16
2.2.1.1. Orchestration .................................................................................. 16
2.2.1.2. Chorégraphie .................................................................................. 17
2.2.2. Composition dynamique........................................................................ 18
2.2.2.1. L'approche sémantique ................................................................... 18
2.2.2.2. L'approche industrielle ................................................................... 18
2.2.2.3. L'approche formelle........................................................................ 18
2.3. Langage de définition ................................................................................ 19
2.4. BPEL.......................................................................................................... 19
2.4.1. Définition............................................................................................... 19
2.4.2. Les composants de BPEL...................................................................... 20
2.4.3. Outil de modélisation de BPEL............................................................. 24
Chapitre III : Conception et implementation
3.1. Les chaines d'approvisionnements............................................................. 26
3.1.1. Définition............................................................................................... 26
3.1.2. Gestion de la chaine d'approvisionnement ............................................ 27
3.1.3. Niveaux d’analyse de la chaîne d’approvisionnement .......................... 27
3.1.4. Risque de la chaine d'approvisionnement ............................................. 28
3.1.4.1. Les risques internes (opérationnels) ............................................... 28
3.1.4.2. Les risques externes (aléas) ............................................................ 28
3.1.4.3. Les risques stratégiques.................................................................. 28
3.1.4.4. Les risques des externalités ............................................................ 28
3.2. Lieu de réalisation de projet : Unité de production de tubes en PVC et
PEHD « K-Plast »............................................................................................................ 28
3.3. Introduction à UML ................................................................................... 29
3.4. Les diagrammes UML utilisés ................................................................... 29
3.4.1. Le diagramme d'activité ........................................................................ 30
Chapitre II : Composition des services Web
Chapitre III : Conception et implementation
3.4.2. Diagramme de Classe ............................................................................ 31
3.4.3. Le diagramme de séquence ................................................................... 33
3.5. Environnement de développement............................................................. 36
3.5.1. Système d’exploitation .......................................................................... 36
3.5.2. Outils de programmation....................................................................... 36
3.5.3. Type de serveur ..................................................................................... 36
3.5.4. La base de données................................................................................ 37
3.5.5. Langage de programmation utilisée ...................................................... 37
3.6. Présentation de logiciel .............................................................................. 38
Conclusion générale ................................................................................................... 40
Bibliographie et sitographie ....................................................................................... 41Côte titre : MAI/0032 En ligne : https://drive.google.com/file/d/1o9VfsRmK5m9GjsDYuasmXxziY0amjb3o/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0032 MAI/0032 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
Permalink
