Développement d'un système expert pour le raisonnement logique
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".