Développement d'un système expert pour le raisonnement logique
Notice bibliographique
Résumé
Ce sujet de maîtrise naît dans le cadre d'un projet de recherche sur le fonctionnement du raisonnement logique humain. Il s'agit d'un projet multidisciplinaire mettant à contribution un ensemble de thèses et/ou de pratiques de différentes disciplines, incluant le raisonnement logique, la psychologie du raisonnement et l'informatique cognitive. La raison est ce qui définit et distingue un être humain. Quotidiennement ce dernier est amené à souvent prendre des décisions obtenues suite à un processus cognitif complexe permettant de traiter l'information, le plus souvent basé sur des faits dont il a connaissance à un instant donné. C'est le raisonnement. Le raisonnement étudié en informatique est une garantie de la rationalité et s'intéresser à des systèmes rationnels impliquerait le développement de raisonneurs logiques automatiques fondés essentiellement sur la logique et les théories sous-jacentes au raisonnement logique. Cette recherche vise la reproduction des processus d'inférences logique que fait un être humain au sein d'un système expert pour ainsi arriver à un outil doté de connaissances en logique, capable de produire des inférences logiques valides dans des situations variées, d'expliquer le résultat de ces inférences, de détecter les erreurs de raisonnement d'une tierce personne et de les expliquer au cours de divers exercices soumis. Ce projet vise donc le développement d'un système expert en raisonnement logique appelé MUSE-Expert. MUSE-Expert a été intégré dans un système tutoriel intelligent pour contribuer à l'apprentissage de la logique et du raisonnement logique et pour tester des hypothèses sur le raisonnement humain. Le système tutoriel intelligent qui en est résulté permet de faciliter le développement des compétences logique d'un raisonneur humain novice. Il est évident que la conception d'un système comme MUSE-Expert développé dans le laboratoire du GDAC (Gestion, Diffusion et Acquisition des Connaissances) a nécessité de travailler en totale collaboration avec des experts du domaine en logique et en sciences cognitives afin d'éliciter les connaissances nécessaires. L'équipe du laboratoire LANCI (Laboratoire d'Analyse Cognitive de l'Information) au département de philosophie de l'Université du Québec à Montréal nous a permis d'atteindre cet objectif. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : représentation des connaissances, raisonnement logique, systèmes experts, théorie des modèles mentaux, logique des propositions, systèmes tutoriels intelligents.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,010 |
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 ».