ARTIFICIAL INTELLIGENT COGNITION THRESHOLD

Representative embodiments disclose mechanisms for dynamically adjusting the user interface and/or behavior of an application to accommodate continuous and unobtrusive learning. As a user gains proficiency in an application, the learning cues and other changes to the application can be reduced. As a user loses proficiency, the learning cues and other changes can be increased. User emotional state and openness to learning can also be used to increase and/or decrease learning cues and changes in real time. The system creates multiple learning models that account for user characteristics such as learning style, type of user, and so forth and uses collected data to find the best match. The selected learning model can be further customized to a single user. The model can also be tuned based on user interaction and other data. Collected data can also be used to adjust the base learning models. Selon certains modes de réalisation représentatifs, l'invention concerne des mécanismes permettant d'ajuster dynamiquement l'interface utilisateur et/ou le comportement d'une application pour qu'elle soit adaptée à un apprentissage continu et discret. À mesure qu'un utilisateur acquiert la connaissance d'une application, les repères d'apprentissage et autres modifications apportées à l'application peuvent être réduits. À mesure qu'un utilisateur perd de la connaissance, les repères d'apprentissage et autres modifications peuvent être augmentés. L'état émotionnel de l'utilisateur et son ouverture à l'apprentissage peuvent également être utilisés pour augmenter et/ou diminuer en temps réel les repères d'apprentissage et les modifications. Le système crée de multiples modèles d'apprentissage qui tiennent compte de caractéristiques de l'utilisateur, par exemple le style d'apprentissage, le type d'utilisateur, etc., et utilise les données collectées pour trouver la meilleure correspondance. Le modèle d'apprentissage sélectionné peut en outre être personnalisé pour un seul utilisateur. Le modèle peut également être adapté sur la base d'une interaction de l'utilisateur et d'autres données. Les données collectées peuvent également être utilisées pour ajuster les modèles d'apprentissage de base.