Application des fonctions d'influence en traitement automatique du langage
Notice bibliographique
Résumé
Les récents progrès en traitement automatique du langage naturel (TALN) auront permis à cette technologie de se répandre dans de nombreux domaines d’application tels que la traduction automatique et l’automatisation de processus organisationnels. Toutefois, cette adoption demande des clarifications quant à la responsabilité ainsi que la fiabilité des systèmes fondés sur l’intelligence artificielle (IA) afin que ces derniers soient dignes de confiance. Pour s’attaquer à ces enjeux, plusieurs organisations telles que le Parlement européen et le National Institute of Standards and Technology (NIST) préconisent l’analyse de ces systèmes à l’aide des principes pour une IA digne de confiance, tels la responsabilité, la transparence et l’explicabilité, puis la robustesse, la sécurité et la sûreté. Néanmoins, l’opérationnalisation de ces principes et les exigences associées sont extrêmement difficiles à formuler. C’est particulièrement le cas pour l’explicabilité, la capacité d’expliquer le comportement d’un système fondé sur l’IA à un humain. L’IA étant une technologie guidée par les données, identifier les observations influençant une prédiction est l’une des principales approches en explicabilité. Ceci peut notamment être fait à l’aide des fonctions d’influence (FI), une technique issue des statistiques robustes. Ce mémoire présente des travaux originaux traitant de l’application des FI pour des problèmes de classification en TALN. Premièrement, on analyse comment les FI peuvent informer sur la qualité de l’annotation. Bien que de moindre qualité que les annotations par des expert.es, celles impliquant la production participative d’un large public non-spécialiste sont précieuses, particulièrement lorsque peu de données sont disponibles. De plus, l’IA générative, qui peut produire des textes en langage naturel, permet de classifier ainsi que de justifier la prédiction. Toutefois, nos expériences ont révélé des limites importantes quant aux justifications lorsqu’on considère des architectures de moindres tailles. Notamment, les justifications textuelles non structurées tendent à suivre certains gabarits, même si ces derniers sont peu présents dans les données. Bien qu’il est intuitif que ces quelques exemples utilisant ces gabarits soit influents, les FI n’abondent pas en ce sens. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : fonctions d’influence, explication post-hoc, explicabilité, interprétabilité, traitement automatique du langage naturel.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».