Figure 1: Approche pour la capture, l’évaluation et l’amélioration des activités collaboratives. Adapté de Léchappé et al. (2025).

Pourquoi évaluer la collaboration est un enjeu critique

Au cours d’une activité collaborative, de nombreux éléments peuvent influencer son bon déroulement, tels que l’expertise des individus, mais surtout des compétences sociales comme la communication ou la coordination. Une collaboration efficace bénéficie à l’équipe, tandis que des incompréhensions ou des ruptures dans les mécanismes collaboratifs peuvent conduire à des échecs ou à l’émergence de situations critiques.

Dans des contextes médicaux ou industriels, il apparaît que l’émergence de telles situations résulte le plus souvent de déséquilibres associés à ces compétences sociales, mais aussi à des caractéristiques internes à l’individu, telles que la charge cognitive, le niveau d’attention, les contraintes temporelles ou encore les objectifs de la tâche réalisée. Sous fortes contraintes cognitives et/ou temporelles, les équipes doivent mettre en place des stratégies de coordination essentielles pour répartir la charge cognitive, détecter les erreurs et maintenir une performance satisfaisante ainsi qu’une collaboration efficace. À l’inverse, une mauvaise gestion de ces mécanismes peut entraîner un déclin de la collaboration et favoriser l’apparition d’événements indésirables.

Au regard de ces constats, plusieurs questions émergent : peut-on mesurer ces mécanismes de manière objective ? Et surtout, peut-on les détecter automatiquement et en temps réel ?

C’est à ces questions que s’est intéressée cette thèse, en explorant une piste intéressante : l’analyse automatique et en temps réel des mécanismes collaboratifs à partir de signaux comportementaux multimodaux, afin d’identifier les changements dans les dynamiques de groupe et d’intervenir avant qu’un incident n’émerge. L’une des particularités de ce travail est que la collaboration est évaluée dans des environnements de réalité virtuelle.

Une approche émergente : analyser la collaboration en temps réel à partir de comportements (signaux verbaux et non verbaux) observable

Traditionnellement, la qualité de la collaboration est évaluée par des experts humains, au moyen d’observations ou de grilles d’analyse. Ces méthodes sont pertinentes, mais coûteuses, dépendantes du contexte et difficilement mobilisables en temps réel.

Une hypothèse explorée par de nombreux chercheurs est la suivante : les mécanismes internes de la collaboration peuvent être objectivés à partir de comportements observables au cours de l’activité.

Qui parle ? Pendant combien de temps ? Les personnes se regardent-elles ? Manipulent-elles les mêmes objets ? Réalisent-elles des gestes ou des actions simultanément ? Autant de comportements susceptibles de rendre compte de l’activité collaborative en cours.

L’utilisation d’environnements virtuels collaboratifs permet notamment de collecter et de calculer automatiquement ces comportements à partir de différentes données : positions spatiales, mouvements, regards, interactions avec les objets, parole, tours de parole, etc., le tout de manière synchronisée et sans perturber l’activité.

Première étape : Identifier des indicateurs fiables en réalité virtuelle

Deux expérimentations ont été menées afin d’identifier des indicateurs fiables pour rendre compte de la qualité de la collaboration et des interactions sociales en réalité virtuelle, au sein de groupes de deux à six individus.

La première étude consistait à résoudre un puzzle à deux (Figure 2). Des experts ont annoté des segments de collaboration comme étant peu collaboratifs, très collaboratifs, ou collaboratifs avec présence de leadership. Les résultats indiquent qu’il est possible de distinguer des situations non collaboratives de situations collaboratives à partir d’indicateurs verbaux et visuels (égalité de répartition du temps de parole, tours de parole, attention visuelle conjointe). En revanche, différencier des formes plus fines de collaboration reste plus complexe avec les indicateurs considérés.

Figure 2 : Tâche de résolution de puzzle à deux en environnement virtuel.

Une seconde étude a consisté à réaliser des tâches de discussion impliquant de deux à six individus simultanément (Figure 3). Dans cette étude, des signaux tels que la distance entre les individus, leur synchronisation physique, ainsi que les silences et les tours de parole ont été comparé entre des conditions collaboratives virtuels et réels. Les résultats indiquent que la distance entre les individus est un indicateur autant pertinent en environnement virtuel, qu’en contexte réel, contrairement à la synchronie physique et aux périodes de silences en contexte virtuels, semblant indiquer des difficultés d’interactions en réalité virtuel en comparaison au contexte réel.

Figure 3 : Tâches de discussion en groupe en environnement virtuel.

Aller plus loin : détecter des profils de collaboration

Plutôt que d’analyser les indicateurs un par un, la deuxième étude propose une approche plus globale : identifier des profils de collaboration à partir d’indicateurs visuels, verbaux, physiques et spatiaux. En utilisant la même tâche de résolution de puzzle que dans la première étude, sept profils de collaboration ont été définis (Figure 4). Certains profils sont très individuels (chacun travaille de son côté), d’autres sont structurés autour d’un leader, et d’autres encore reposent sur une répartition équitable de l’engagement et une collaboration active.

Figure 4 : Profils proposés pour catégoriser l'activité collaborative.

Un modèle de détection en temps réel a été développé pour reconnaître ces profils à partir de combinaisons d’indicateurs comportementaux. Les résultats sont encourageants : les profils très collaboratifs ou très peu collaboratifs sont correctement détectés. En revanche, les profils intermédiaires, plus subtils, sont plus difficiles à distinguer.

Ces travaux mettent en évidence le caractère dynamique d’une activité collaborative. Les équipes peuvent en effet changer de stratégie au cours même de l’activité, en fonction des tâches à réaliser et des difficultés rencontrées.

Changer d’échelle : que se passe t’il dans un groupe de trois ?

Une dernière étude a étendu l’approche d’évaluation de la collaboration à des groupes de trois individus. Résultat : la dynamique collaborative devient beaucoup plus complexe à interpréter et à analyser.

Dans ce cadre, une nouvelle tâche collaborative a été développée (Figure 5). Celle-ci consiste à construire, dans un temps limité, des structures de complexité croissante. Pour cela, les participants doivent collaborer afin de définir la structure à concevoir, générer les pièces nécessaires, puis les assembler. L’étude visait à évaluer la pertinence de scores de collaboration pour rendre compte de la qualité de la collaboration en lien avec la performance à la tâche.

Figure 5 : Tâche collaborative de résolution de puzzle à trois en environnement virtuel.

Les résultats indiquent que les relations dyadiques (par paires) ne suffisent pas à expliquer la dynamique globale du groupe. Les profils détectés reflètent le plus souvent des sous-dynamiques par paires plutôt qu’un fonctionnement véritablement collectif. De plus, les indicateurs considérés varient fortement selon les phases de la tâche.

Des ensembles d’indicateurs multimodaux semblent toutefois se distinguer en fonction d’activités collaboratives spécifiques. De manière générale, un score global de collaboration apparaît peu pertinent pour prédire, à un instant donné, la performance et la qualité de la collaboration.

Enfin, les résultats soulignent une idée essentielle : la collaboration ne peut être réduite à une simple moyenne d’indicateurs. Elle dépend fortement du contexte, de la phase de l’activité et de la manière dont le groupe s’adapte aux contraintes et aux besoins rencontrés.

Conclusion : vers des outils d’aide à la compréhension et à la régulation des équipes

Cette thèse contribue à un domaine émergent : l’analyse multimodale et automatique de la collaboration. Elle montre qu’il est possible de capter les dynamiques de groupe en réalité virtuelle à partir de comportements observables, tout en soulignant que la qualité de cette détection dépend fortement du contexte et de la façon dont l’équipe fait face aux difficultés qu’elle rencontre.

À terme, ces recherches pourraient contribuer à plusieurs niveaux : améliorer la formation des équipes en contexte médical, industriel ou éducatif, mais aussi soutenir les collaborations en contexte réel en fournissant des outils objectifs permettant d’analyser et de réguler les dynamiques de groupe.

Ce travail doctoral, ainsi que la thèse qui en découle, ont été financés par la Région Pays de la Loire (Pdl 2021-12881) et l'ANR MISSIVES. J'adresse mes remerciements à mon directeur de thèse, Cédric Fleury, ainsi qu'a mes co-directeurs de thèse, Mathieu Chollet et Cédric Dumas, pour leur accompagnement, leurs conseils et leur soutien tout au long de ce travail.