Visualiser pour comprendre: application à la programmation vectorielle

Malgré ses avantages indéniables (performance, gains économique et écologique), la programmation vectorielle peine à s'imposer. La raison principale est la barrière cognitive à l'entrée : les programmes vectoriels, même simples, sont difficiles à comprendre, développer et maintenir. Pour y remédier, la visualisation de logiciel (SV) s'avère efficace mais manque de fondements théoriques solides.Cette thèse se situe à l'intersection des deux problématiques. Elle vise à utiliser la SV pour abaisser cette barrière cognitive en facilitant la compréhension des fonctions vectorielles et du code associé. Pour ce faire, les connaissances d'experts sont d'abord capturées. Le tout est implémenté dans un prototype itératif, SIMDGiraffe, qui intègre des modèles de représentation visuelle de portée générale.Une étude expérimentale en double aveugle valide ces modèles et renforce les bases théoriques de la SV par un risque de falsification assumé. Les résultats montrent qu'un novice utilisant SIMDGiraffe obtient presque toujours de meilleurs scores de compréhension qu'un novice sans outil, tout en soulevant des questions sur l'interaction entre visualisation et explication experte.