...
5.2 La catégorisation en contexte
Comme nous l’avons vu, la catégorisation est un processus
cognitif fondamental chez l’être humain. Un réseau
sémantique performant devrait catégoriser ses concepts
de manière efficace et pouvoir les consulter de manière
productive. Les concepts les plus efficaces sont ceux qui sont définis
de manière très spécifique, car ils ne sont pas
ambigus. C’est ce que nous retrouvons dans la plupart des réseaux
sémantiques actuels. Mais cette univocité est lourde
à programmer et reste limitée dans ses performances.
Idéalement, il faudrait pouvoir modifier l’activation
des liens entre les concepts selon le contexte, ce qui est une caractéristique
de l’apprentissage humain. Par exemple, si le mode de locomotion
usuel de l’oiseau est le vol, dans le cas du pingouin, il s’agit
de la nage.
Les
connaissances représentées de façon plastique
seront celles qui permettront des échanges plus élaborés,
comme une plus grande précision dans l’interaction avec
les utilisateurs (voir par exemple, McKevitt et al., 1999). La plasticité
est l’une des caractéristiques de la catégorisation
telle qu’elle s’observe chez l’être humain.
Elle réfère à la capacité des représentations
à changer de forme ou de fonction selon les altérations
de l’environnement. À la lumière des recherches
en psychologie précédemment citées, nous croyons
que les réseaux sémantiques gagneraient à incorporer
plusieurs des caractéristiques des processus cognitifs humains.
Par exemple, le niveau préféré de catégorisation
donnerait accès aux concepts les plus utiles. Dans un réseau
sémantique, ce niveau préféré dépendrait
évidemment des types de liens entre les concepts et de leur
nombre. Mais ces liens gagneraient aussi à pouvoir varier facilement,
ce qui rendrait leur préprogrammation moins pertinente.
Cet
exemple correspond aussi à l’effet des stéréotypes,
c’est-à-dire à la reconnaissance rapide des concepts
les plus typiques dans le réseau. Un avantage indéniable
des stéréotypes consiste à fournir un ensemble
cohérent d’informations, hautement disponibles et caractéristiques
des situations qui, malgré leur complexité, ont le plus
de chances de se produire (Bodenhausen et al., 1999). Les nombreuses
recherches sur les stéréotypes en psychologie illustrent
également l’importance de l’utilisation contextuelle
des stéréotypes entre les individus, ce qui rejoint
la problématique des interactions homme-machine. En effet,
il est possible de postuler que le LN s’est développé
chez l’être humain principalement à travers des
actes de communication (Pinker et Bloom, 1990).
Cependant,
comme d’autres caractéristiques de la cognition humaine,
les stéréotypes ne sont qu’une approximation ;
ils ne permettent pas d’obtenir toujours un résultat
valide. De telles possibilités aideraient néanmoins
les réseaux sémantiques à composer avec les problèmes
classiques du LN en IA, comme l’ambiguïté sémantique
et la polysémie.
Pour
composer avec des informations variables, un système plus adaptatif
devrait donc pouvoir raisonner directement à partir de ses
connaissances et obtenir des conclusions sur le monde, même
si elles sont éventuellement fausses. Un réseau sémantique
qui tirerait profit du modèle humain n’aurait donc pas
à assurer la validité complète de ses inférences
car l’inférence humaine est un dispositif visant à
composer avec des informations essentiellement lacunaires. Les réseaux
sémantiques pourraient ainsi disposer d’heuristiques
rapides et frugales pour raisonner et même prendre des décisions
(voir Gigerenzer et al., 1999).
Un
exemple concerne l’évaluation de la validité des
inférences, qui implique souvent des relations éloignées
avec d’autres concepts. La fausseté d’une conclusion
peut, entre autres, être identifiée grâce à
la présence de contre-exemples. Dans ce cas, la proposition
«Tous les mammifères sont des chiens» demande au
système d’identifier une sous-catégorie autre
que chien qui appartient à la catégorie mammifère.
À partir du moment où il découvre qu’une
autre sous-catégorie, comme chat, fait aussi partie de la catégorie
mammifère, il constatera la fausseté de sa conclusion.
Cela revient à identifier une propriété superordonnée
commune mais mutuellement exclusive aux deux concepts subordonnés
(Holyoak et Glass, 1975). Ici, l’exclusion s’avère
primordiale car certaines propriétés peuvent coexister
malgré leurs différences (ex.: on peut à la fois
être comptable et musicien). ...
1.
Introduction
2.
Les réseaux sémantiques en IA
3.
Incarnation et langage naturel
4.
Tirer profit des recherches sur la cognition humaine
5. Quelques suggestions issues des recherches sur la cognition humaine
6.
Conclusion
Bibliographie