Le tableau 4.10 présente les résultats de ces deux diagnostics. La première colonne présente les critères mis en exergue dans ces diagnostics et les deux dernières colonnes de ce tableau représentent les moyennes obtenues pour ces critères.
Les critères ainsi mis en évidence sont relatifs aux propriétés techniques et cognitives développés à travers WEKA et CIAD.
Il est à noter que notre première hypothèse de travail a été vérifiée dans les deux diagnostics.
Pour les évaluateurs, les outils sont très utiles (10ème ligne du tableau). Mais, le traitement des erreurs avec WEKA est inexistant. Au cas où l’utilisateur se trompe pendant une étape de construction de l’arbre de décision, il doit recommencer dès l’étape initiale. Par contre, CIAD permet de corriger les erreurs et de réutiliser des données d’apprentissage, ce qui réduit la charge de travail de l’utilisateur. Mais, l’installation de CIAD n’est pas aisée, CIAD est encore à sa phase expérimentale. Un autre point faible de ces outils réside dans l’impossibilité de traiter les données de formats différents. En effet, un seul format de données est accepté.
La prise en main de CIAD et WEKA est facile (score de 80%). La disposition des éléments à l’écran, le modèle de présentation de l’interface, l’utilisation des graphiques sont assez satisfaisants pour les deux outils.
Les utilisateurs des méthodes CIAD et WEKA ne sont pas guidés (ligne 5 du tableau), il manque à ces outils des modules d’aide en ligne, des informations contextuelles ou un manuel utilisateur.
Cette étude de cas permet de suggérer aux concepteurs de WEKA de travailler l’aspect réutilisation de données d’apprentissage qui permettra de réduire la charge de travail des utilisateurs. Au cas ou ces derniers ne vont pas jusqu’au bout du traitement interactif d’un ensemble de données, ils n’auront pas à recommencer à l’étape initiale. En ce qui concerne CIAD et WEKA, ces résultats permettent d’attirer l’attention des concepteurs sur la nécessité de développer les modules d’assistance aux utilisateurs, des manuels utilisateurs et de proposer plusieurs alternatives possibles en ce qui concerne les méthodes de visualisation et d’analyse de données, les aspects cognitifs de la visualisation pour les utilisateurs et les préférences des utilisateurs. Après avoir proposé plusieurs alternatives aux utilisateurs, il s’avère aussi nécessaire de les guider dans le choix de celle qui convient le mieux à la résolution de leur problème.
Au terme de ce diagnostic de WEKA et CIAD, le point qui attire le plus notre attention concerne les difficultés relevées dans ses outils pour le traitement des données de grandes dimensions pourvues ou non de nombreux objets ou observations (lignes 2, 3 et 4 du tableau des résultats). Ceci constitue un réel problème car à l’heure actuelle, les ensembles de données sont de plus en plus grands. Pour améliorer l’état actuel des recherches dans ce domaine, suite au diagnostic des outils de FVD, nous proposons une contribution au traitement des données de ce type dans le chapitre 6.