Soutenance de thèse de AGRAWAL Abhishek


Titre de thèse

coordination communicative dans les interactions enfant–parent

communicative coordination in child-caregiver interactions

Date

7 octobre 2025 à 10h00

Adresse

3 Pl. Victor Hugo, 13003 Marseille, Espace Pouillon

Ecole doctorale

Mathématiques et Informatique de Marseille

Specialité

Informatique

Etablissement

Aix-Marseille Université

Mots clés

coordination communicative,tour de parole,cohérence,connaissances partagées,interactions enfant–parent,apprentissage automatique,

Keywords

communicative coordination,turn-taking,coherence,common ground,child-caregiver interactions,machine learning,

Jury

Jury de thèse
Qualité Nom Etablissement
Professeur M. FAVRE Benoit Aix Marseille Université
Maître de conférences M. MULLER Philippe Université Paul Sabatier
Maître de conférences Mme FORT Mathilde Université Grenoble Alpes
Professeur Mme BATTISTELLI Delphine Université Paris Nanterre
Professeur Mme JOVER Marianne Aix-Marseille Université
Chargé de recherche Mme TSUJI Sho Ecole Normale Supérieure CNRS
Professeur M. PRÉVOT Laurent Aix-Marseille Université

Résumé de la thèse

La communication est une tâche complexe qui exige des interlocuteurs une coordina- tion simultanée à plusieurs niveaux. Cette capacité à coordonner la communication va de pair avec la capacité de l'enfant à acquérir le langage, puisque les interactions sociales jouent un rôle crucial dans l'acquisition du langage. En outre, elle joue un rôle important dans le bien-être socio-cognitif global de l'enfant. La recherche sur le développement de la coordination communicative chez les enfants est traditionnelle- ment basée sur des études d'observation à petite échelle ou sur des études expérimen- tales contrôlées en laboratoire. Nous pensons qu'en plus de ces travaux, des études quantitatives à plus grande échelle basées sur des données naturelles sont nécessaires pour une compréhension plus complète de la coordination communicative chez les enfants. Nous soutenons que l'arrivée du récent "printemps de l'intelligence artifi- cielle" nous a fourni de nouveaux et puissants modèles d'apprentissage automatique (ML) qui peuvent être exploités pour une étude quantitative plus écologiquement valide du développement de la coordination communicative chez les enfants.
Pour tester cette théorie, nous étudions dans cette thèse la coordination commu- nicative dans les interactions enfant-parent à trois niveaux différents, à savoir : i) la gestion du tour de rôle, ii) la cohérence du dialogue et iii) l'ancrage conversationnel à l'aide de modèles de ML. Nous utilisons les modèles de ML comme outil pour annoter automatiquement un large corpus contenant divers phénomènes de coordination, ce qui nous permet de mener une étude à grande échelle du développement de ces phénomènes dans les interactions enfant-parent. Cette approche nous a permis de délimiter le paysage communicatif des premières interactions entre l'enfant et le parent, en termes d'intentions communicatives et de cohérence. Elle a également conduit à la découverte que les parents saisissent rarement l'occasion de réparer les malentendus lors de ces interactions. Nous avons également constaté que les enfants comprennent la notion de base du tour de rôle assez tôt dans leur enfance. Nous utilisons également les modèles de ML pour modéliser informatiquement des mécanismes tels que le tour de parole dans les interactions enfant-parent. Avec cette approche, nous trouvons des indices d'un comportement de prise de tour similaire à celui des adultes chez les enfants en milieu d'enfance.
Les différents résultats issus de nos études constituent des étapes exploratoires ini- tiales visant à montrer comment l'apprentissage automatique peut être mobilisé pour une étude à grande échelle, complète et écologiquement valide du développement de la coordination communicative chez les enfants.


Thesis resume

Communication is a complex task requiring interlocutors to simultaneously coordi- nate on multiple levels. This ability to coordinate communication goes hand-in-hand with a child's ability to acquire language since social interactions play a crucial role in language acquisition. Furthermore, it also plays an important role in the overall socio- cognitive well-being of the child. Research on the development of communicative coordination in children has been traditionally based on small-scale observational studies or on controlled experimental studies in lab environments. We believe that in addition to these studies, more large-scale quantitative studies based on naturalistic data are required for a more comprehensive understanding of communicative coordi- nation in children. We argue that the arrival of the recent “Artificial Intelligence (AI) Spring” has provided us with new and powerful Machine Learning (ML) models that can be leveraged for a more ecologically valid quantitative study of the development of communicative coordination in children.
To test this theory, in this thesis, we study communicative coordination in child- caregiver interactions on three different levels, namely: i) turn-taking management, ii) dialog coherence and iii) conversational grounding with the help of ML models. We utilize ML models as a tool to automatically annotate a large corpus for various coordinative phenomena thereby allowing us to conduct a large-scale bottom-up study of the development of those phenomena in child-caregiver interactions. This ap- proach enabled us to delineate the communicative landscape of early child-caregiver interactions in terms of their communicative intents and coherence. It also led to the discovery that caregivers take the opportunity to repair misunderstandings in very limited cases during child-caregiver interactions. We also found that children under- stand the basic notion of turn-taking fairly early in their childhood. We also use ML models for computationally modeling mechanisms like turn-taking in child-caregiver interactions. With this approach we find evidence of adult-like turn-taking behavior in children in their middle-childhood.
The various insights obtained from our studies are the initial exploratory steps towards showcasing how ML can be leveraged for a comprehensive and ecologically valid large-scale study of the development of communicative coordination in children.