Résultats de recherche

A quel chatbot peut-on réellement faire confiance ? Une réponse fiable à cette question peut désormais être apportée grâce à un outil scientifique inédit : l’AI Score.  Développé par une équipe multidisciplinaire de chercheurs de l’Université de Namur, il permet de mesurer de manière objective, reproductible et transparente la fiabilité des chatbots éducatifs.

Le F.R.S.-FNRS vient de publier les résultats de ses différents appels 2025. Il s’agit des appels « Crédits & Projets » et « WelCHANGE » ainsi que les appels « FRIA » (Fonds pour la formation à la Recherche dans l’Industrie et dans l’Agriculture) et « FRESH » (Fonds pour la Recherche en Sciences Humaines) visant à soutenir des thèses de doctorat. Résultats pour l’UNamur ? 28 projets sélectionnés témoignant de la qualité et de la richesse de la recherche à l’UNamur. 

Nos conférenciers principaux pour 2026 sont la professeure Roosmarijn Vandenbroucke (Université de Gand) et la professeure Nelly Litvak (Université technologique d'Eindhoven). Plus d'infos sur le site "Women in science"

La Faculté des sciences de l'éducation et de la formation organise plusieurs programmes certifiants en partenariat avec d'autres facultés ou établissements d'enseignement supérieur. 

La FaSEF assure une formation théorique et pratique préparatoire au CAPAES à destination des enseignants en fonction en Haute école, en établissement d’Enseignement pour Adultes organisant une section de niveau supérieur, en École Supérieure des Arts, ou tout membre du personnel académique ou scientifique chargé d’enseignement en fonction en université et ce même s’il ne dispose préalablement d’aucun titre pédagogique.

Dans le cadre du cours interdisciplinaire « IA : enjeux et opportunités », les étudiantes et étudiants de l’UNamur ont présenté une série de posters consacrés aux usages de l’intelligence artificielle dans leurs domaines d’étude. Ce temps fort a mis en lumière la diversité des applications de l’IA, mais aussi la volonté de l’Université de Namur de former des étudiants capables d’en faire un usage critique, juste et raisonné.

L’informatique occupe une place considérable dans notre quotidien. Vivre sans ordinateur ou téléphone portable nous parait inimaginable. Mais l’informatique est au service de nombreux autres domaines tels que la médecine, la gestion, l’environnement, l’agriculture, l’espace, la biologie… et son implication dans des secteurs nouveaux augmente sans cesse. Préparez-vous à façonner l’avenir de notre société dans une discipline jeune, dynamique et en pleine expansion  

Durant l'année académique, l'équipe de la Cellule interfacultaire d'appui pédagogique (CIAP) propose 3 types d'accompagnement collectifs pour développer des stratégies de méthodes de travail efficaces.

Rejoignez une communauté d’innovateurs, explorez les technologies de pointe et préparez-vous à façonner le monde numérique de demain ! Prêt à coder votre succès ? Bienvenue à la Faculté d’informatique de l’UNamur, pionnière de l’enseignement universitaire de l’informatique en Europe. 

Une collaboration UNamur – Hénallux – IFEC Image Image Image Depuis septembre 2022, l’Hénallux et l’UNamur collaborent avec l’IFEC (Institut de Formation de l’Enseignement Catholique) avec pour objectifs de sensibiliser et former les acteurs de l’enseignement secondaire à la différenciation pédagogique, prônée dans le Pacte pour un enseignement d'excellence. Pour ce faire, différentes modalités ont été pensées et mises en œuvre : des journées pédagogiques en école, des suivis dans les écoles qui en font la demande, des parcours pour des enseignants référents en différenciation, des parcours pour les CSA (conseillers et conseillères au soutien et à l’accompagnement).La convention est coordonnée par Sandrine Biémar (UNamur) et Alain Bultot (Hénallux) et l’équipe des chercheuses est composée d’Anne-Catherine Dessy (Hénallux), Anne Libert (UNamur), Virginie Meyer (UNamur) et Sylvie Van der Linden (Hénallux).  Le contexte Cette recherche collaborative s’inscrit dans un projet plus large consacré à la différenciation qui regroupe plusieurs parcours ayant des objectifs et des publics différents. S’y retrouvent notamment des formations pédagogiques en école, la formation d’enseignants-référents ayant pour vocation d’être des facilitateurs du développement des pratiques de différenciation dans leurs écoles, la formation de l’ensemble des CSA de l’IFEC, ainsi que des rencontres régulières avec les formateurs internes de l’IFEC intéressés par cette thématique. La recherche collaborative s'inscrit dans cette continuité où chaque parcours nourrit les autres. Elle veut ancrer la réflexion sur la différenciation dans les pratiques de classe dans un enrichissement mutuel de la théorie et de la pratique. En pratique Parcours écoles : formations pédagogiques et suivis de 1 à plusieurs journées Parcours CSA : formation de 4 journées de l'ensemble des CSA et de l'IFEC Parcours référents : formation de binômes de référents en école de 4 journées + 1 journée Parcours formateurs : communauté de pratique avec les formateurs internes différenciation de l'IFEC Parcours recherche collaborative : accompagnement d'enseignants sur une année scolaire dans la mise en place de pratique de différenciation Les objectifs Favoriser le pouvoir d’agir des enseignants par la mobilisation et l’interprétation de données objectives récoltées sur le terrain.Une recherche collaborative se construit dans la négociation entre les participants et les chercheurs. C’est donc ensemble que chaque étape de la recherche est construite, pour coller au plus près aux préoccupations et aux enjeux, liés à la différenciation, qui sont rencontrés dans les contextes spécifiques de chacune et chacun.Par exemple, la question de recherche et les sous-questions sont co-formulées pour répondre au mieux aux préoccupations et enjeux de terrain concernant l’impact d’une posture d’enseignement différenciée sur la motivation et l’autonomie des élèves. Méthodologie Cette recherche s’inspire du protocole développé par Schildkamp (2018, 2019) au sein des « Data TEAMS ». Elle veut développer et favoriser le pouvoir d’agir des enseignants par une prise de décision fondée sur la récolte de donnée et l’évaluation des pratiques scolaires.Les données issues de ce parcours recherche nourriront les parcours référents et formateurs. Par ailleurs, des données et productions issues de cette recherche collaborative auront également pour destination les collègues et organisations des différentes parties prenantes (écoles, CSA). Envie de participer ? Nous sommes à la recherche de binômes d’enseignants issus d’une même école ce qui permettra de faciliter la mise en œuvre du processus au sein de chaque établissement scolaire concerné. Le thèmeÉlaborer et réguler ses pratiques de différenciation à la lumière des données de la classe.Les objectifsComprendre et agirComprendre, par l'analyse des données disponibles dans la classe et les échanges de pratiques entre professionnels, les effets d'une posture différenciée de l'enseignant sur la motivation et l'autonomie des élèves.Objectiver son intuition pour agir efficacement.Les modalités7 rencontres sur l'année à la Salle des Pros (Rue Godefroid, 7 - au centre de Namur)Pourquoi participer ?Pour enrichir la recherche en partant des pratiques de terrain.Pour nourrir vos pratiques grâce à l'accompagnement des chercheuses-formatrices.Pour rencontrer d'autres enseignants qui partagent vos préoccupations. Contacts Pour toute information, n’hésitez pas à contacter l’équipe de rechercheAnne-Catherine Dessy : anne-catherine.dessy@henallux.be Virginie Meyer : virginie.meyer@unamur.beSylvie Van der Linden : sylvie.vanderlinden@henallux.be Coordinatrice du projet Sandrine Biémar : sandrine.biemar@unamur.be 

Abstract La maintenance prédictive (PdM) est de plus en plus utilisée pour améliorer la fiabilité des systèmes, réduire les temps d’arrêt et optimiser les coûts opérationnels dans des environnements industriels complexes grâce à la détection d’anomalies. À mesure que les systèmes industriels deviennent plus complexes, avec des composants inter- agissant entre eux et surveillés par des réseaux de capteurs en constante expansion, la détection d’anomalies fait face à de nouveaux défis méthodologiques. En particulier, un manque apparaît dans la littérature qui considère la détection d’anomalies avec des méthodes traditionnelles de Machine Learning (ML) utilisant une approche Single Label Classification (SLC), inadaptée lorsque plusieurs défaillances peuvent survenir simultanément.Les approches traditionnelles de détection d’anomalies basées sur des méthodes de ML utilisant une formulation SLC supposent que chaque observation appartient à une seule catégorie d’anomalie. Cette hypothèse ne tient pas lorsque plusieurs défaillances surviennent simultanément sur le même équipement, ce qui entraîne une perte d’information. Ceci commence par une illustration de cette limite à travers un exemple concret montrant que l’utilisation d’une approche SLC au lieu d’une formulation multi-label dégrade la classification des anomalies simultanées. Pour répondre à ce problème, la détection d’anomalies est reformulée comme un problème de Multi Label Classification (MLC), permettant de détecter plusieurs défaillances au sein d’un même pas de temps. Suite à cette reformulation, la problématique du choix des classificateurs multi- label adaptés au contexte de la Predictive Maintenance (PdM) doit être étudiée. La conclusion générale de la littérature est que la performance des classificateurs dépend fortement du contexte et qu’il existe un grand nombre de méthodes de détection sans qu’aucune ne soit universellement dominante. Bien que des études comparatives approfondies existent dans le domaine du MLC, les jeux de données issus de systèmes complexes sont absents de ces comparaisons, alors même qu’ils présentent des caractéristiques spécifiques telles que des structures en séries temporelles multivariées, un fort déséquilibre des labels et des interactions complexes entre composants.Pour combler ce manque, un protocole d’évaluation structuré et reproductible est proposé afin d’évaluer huit méthodes de ML à l’état de l’art dans un cadre MLC sur trois jeux de données industriels publics. Les résultats confirment que la performance des classificateurs dépend fortement des caractéristiques du jeu de données et qu’aucune méthode ne domine systématiquement tous les scénarios. Toutefois, réaliser ce type de comparaison pour chaque nouveau contexte industriel est coûteux en termes de temps, de ressources computationnelles et de besoins en données, ce qui limite sa faisabilité pour un déploiement industriel réel. La thèse aborde également cette problématique par la réduction de dimension et les méthodes de sélection de variables. Les systèmes de PdM génèrent de grands ensembles de données multivariées dont seule une partie des variables est réellement pertinente pour la détection d’anomalies. Une stratégie évolutionnaire auto-adaptative est proposée pour effectuer une sélection de variables de type wrapper et obtenir un sous-ensemble ne contenant que les variables les plus informatives. Les résultats expérimentaux montrent que la réduction de l’espace des variables améliore l’efficacité computationnelle et, dans la plupart des cas, la performance de prédiction des anomalies. La comparaison de la méthode proposée avec des approches métaheuristiques issues de l’état de l’art sur trois jeux de données PdM et cinq méthodes de détection d’anomalies confirme sa compétitivité en termes de performance prédictive et de taille optimale du sous-ensemble de caractéristiques sélectionné. Enfin, la réduction de l’espace des caractéristiques optimise non seulement les ressources nécessaires à la détection, mais réduit également le nombre de signaux que les techniciens doivent analyser lors des investigations de recherche de cause racine. Cette simplification vise à renforcer la confiance dans le système. Enfin, la thèse traite des aspects pratiques du déploiement des méthodes de détection dans les systèmes complexes. Parmi ceux-ci, on observe un manque de confiance et de transparence chez les techniciens de maintenance et les décideurs. Une analyse de l’interprétabilité et la robustesse des méthodes de détection d’anomalies est fournie afin de contribuer directement à leur déploiement en conditions réelles. Tout d’abord, la stratégie de sélection de variables proposée est évaluée sur un jeu de données PdM public à l’aide d’explications basées sur SHAP afin de vérifier la cohérence entre les variables sélectionnées et celles identifiées comme les plus importantes par des outils dédiés à l’interprétabilité. Les résultats montrent que les variables sélectionnées sont cohérentes avec les plus importantes selon ces outils. De plus, l’analyse visuelle des variables les plus influentes met en évidence que les anomalies sont associées à un sous-ensemble limité et bien défini de signaux venant des capteurs, ce qui contribue à améliorer la transparence et à renforcer la confiance dans les systèmes de détection automatique. En parallèle, il est nécessaire de mener une étude de la robustesse des classificateurs multi-label dans des scénarios contrôlés de dégradation de capteurs, incluant différentes familles de dégradations et plusieurs niveaux de sévérité. Les résultats montrent que la performance des classificateurs peut fortement se dégrader, en particulier en présence de dérives progressives. Pour atténuer cet effet, l’introduction de dégradations de capteurs durant l’entraînement apparaît comme une stratégie pertinente. Finalement, cette thèse propose un cadre structuré pour la détection d’anomalies multi-label dans les systèmes complexes, couvrant les méthodes de classification, l’optimisation de l’espace des variables, l’interprétabilité et la robustesse. Pour chacun de ces aspects, la thèse adopte un point de vue industriel et prend en compte les différences entre les conditions expérimentales contrôlées en laboratoire et les contraintes supplémentaires des environnements complexes réels. Le jury Prof. Katrien Beuls - Université de Namur, BelgiqueProf. Elio Tuci - Université de Namur, BelgiqueProf. Patrick Heymans - Université de Namur, BelgiqueProf. Jenni Raitoharju - Université de Jyväskylä, FinlandeMr. Fabio Pinna - Telespazio, BelgiqueMr. Vito Trianni - ISTC-CNR, Italie Je m'inscris

Défense de thèse - Antoine Hubermont 04/09/2026 à 15h à l'auditoire PA02. Nom Prénom Adresse e-mail Assistera à la réception qui suivra la défense Oui ( optionnel ) Non ( optionnel ) Désire une vignette de parking Oui ( optionnel ) Non ( optionnel ) Souhaite un certificat pour l'assistance à la défense Oui ( optionnel ) Non ( optionnel ) Pour le traitement de votre demande, les données sans mention « optional » doivent obligatoirement être complétées. Lorsque vous soumettez ce formulaire, les données complétées sont transmises à l’UNamur et utilisées pour donner suite à votre demande. Pour en savoir plus sur la protection de vos données et sur vos droits This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.