Résumé
L’exploration de données multimodales suppose l’analyse de plus d’une forme de données, dans le but de découvrir des schémas cachés. Elle peut favoriser des avancées dans divers domaines, allant de la psychologie à l’éducation, en passant par les soins de santé et bien d’autres encore. En tant que titulaire de la Chaire de recherche du Canada en exploration de données multimodales, Belkacem Chikhaoui travaille sur la fusion, l’analyse et l’exploration de données massives multimodales et hétérogènes, afin d’établir un nouveau cadre mathématique et une base solide pour des applications aux répercussions sociales potentiellement importantes.
M. Chikhaoui et son équipe de recherche explorent des données massives multimodales et hétérogènes, et découvrent des relations causales et des schémas cachés pour l’analyse prédictive. Ils conçoivent également de nouveaux algorithmes, en conjuguant des modèles d’apprentissage multiple avec la théorie de la causalité et les possibilités offertes par les nouvelles solutions de traitement des données massives. Ils appliquent ensuite ces algorithmes à la résolution de problèmes réels, comme l’anticipation de comportements violents, la prévision des taux d’abandon scolaire et la détection de l’incontinence urinaire chez les personnes hébergées dans des établissements de soins de longue durée.