Version classiqueVersion mobile
OpenEdition Books

Agir dans l'espace

 | 
Catherine Thinus-Blanc
, 
Jean Bullier

VI. Jeux et mondes électroniques

Chapitre 16. Utilisation conjointe de connaissances abstraites et de connaissances contextualisées pour la résolution de problèmes d’échecs

André Didierjean, Nathalie Guin-Duclosson et Évelyne Marmèche

Résumé

In this paper, we present multidisciplinary research on problem solving, including both cognitive psychology studies and artificial intelligence research. Our study deals with the use of abstract knowledge (schemas) and/or contextualized knowledge (cases) in solving problems with spatial features. An experiment, on the game of chess, showed that subjects jointly build up these two kinds of knowledge, and use either according to the context. A model based on the double use of schemas and cases was elaborated and implemented for problems used in the experimental study.

Texte intégral

INTRODUCTION

1Pour résoudre un problème, est-il préférable d’évoquer et d’adapter une connaissance qui contient en elle-même des informations liées au contexte, ou est-il préférable d’avoir recours à une connaissance abstraite dégagée de ces aspects ? Il semble en effet que la plupart des problèmes auxquels est confronté l’être humain peuvent être résolus en faisant appel à ces deux types de connaissance.

2Tout d’abord, le système cognitif peut aller chercher en mémoire des connaissances générales, abstraites, que la personne possède sur la situation. Selon cette perspective, développée dans de nombreux domaines sous les noms de schéma, frame, mops, tops ou template, le système cognitif pourrait élaborer à partir d’une, ou de plusieurs situations, des connaissances plus générales que les situations elles-mêmes, en remplaçant certains des éléments spécifiques par des « variables ». Ces connaissances abstraites pourraient ensuite être adaptées à un vaste champ de situations.

3Une autre façon d’aborder le problème consiste à se remémorer une situation similaire déjà vécue et à l’évoquer avec tous les aspects qui ont été mémorisés comme des caractéristiques spatiales, temporelles... Cette connaissance très spécifique pourrait alors être adaptée avec succès sur des situations proches.

4Nous présentons une recherche pluridisciplinaire dans le domaine de la résolution de problèmes visant à étudier comment peuvent coexister ces deux formes de raisonnement. La première composante de cette recherche est constituée d’une étude de psychologie cognitive montrant comment les sujets peuvent avoir recours à ces deux types de connaissance pour résoudre un problème. La deuxième composante est constituée d’une recherche en intelligence artificielle élaborant un modèle de raisonnement s’appuyant sur deux types de connaissances, abstraites et spécifiques. L’objectif de ce modèle est de concevoir une architecture cognitive qui puisse concilier, en résolution de problèmes, les deux types de connaissances étudiés. Ce modèle a été implémenté sur le même type de problèmes que la recherche expérimentale présentée dans la première partie. À l’issue de ces deux parties, des perspectives de mise en correspondance des deux composantes sont évoquées.

CONTEXTE THÉORIQUE ET EXPÉRIENCE

5Analyser des problèmes assortis de leur solution est généralement source de progrès. Quelle est alors la nature des connaissances élaborées par les sujets qui permettent la résolution ultérieure de problèmes isomorphes ? Cette question est centrale en psychologie cognitive, que ce soit dans le domaine du raisonnement par analogie (Reeves et Weisberg, 1994), de l’acquisition d’une expertise (Gobet, 1998) ou de la catégorisation (Estes, 1994). Classiquement, trois hypothèses, se distinguant par le degré d’abstraction des connaissances élaborées, sont formulées :

  • Selon la première hypothèse, historiquement la plus « classique », les sujets pourraient élaborer une représentation abstraite de la structure de résolution des exemples sources, débarrassée des éléments de contexte spécifiques à chacun des problèmes. Ils utiliseraient ensuite cette connaissance abstraite pour résoudre de nouveaux problèmes (Catrambone et Holyoak, 1989 ; Cummins, 1992 ; Didierjean et Nogry, 2004 ; Gick et Holyoak, 1983).
  • Selon la deuxième hypothèse, les sujets élaboreraient une connaissance conservant la plupart des éléments de contexte des exemples étudiés. Ainsi, par exemple, dans les problèmes à composante spatiale, une partie des aspects de la situation étudiée, y compris des éléments contextuels non pertinents pour la résolution, resteraient présents dans la connaissance élaborée. Face au problème cible à résoudre, le sujet tenterait d’adapter cette connaissance spécifique. Ce mode de raisonnement par analogie, nommé « raisonnement à partir de cas » (Kolodner, 1993), est couramment utilisé par les novices (Didierjean, 2003 ; Didierjean, Cauzinille-Marmèche et Savina, 1999 ; Reed, 1989 ; Reed et Bolstad, 1991 ; Ross, 1987, 1989a), mais aussi par les experts, car il s’avère très économique (Blessing et Ross, 1996).
  • Une troisième hypothèse consiste à envisager des modèles mixtes d’apprentissage et de résolution. Les sujets pourraient, face à un exemple particulier, élaborer plusieurs représentations de la situation source : une connaissance abstraite détachée des éléments de contexte et une connaissance contextualisée. Deux versions de cette hypothèse peuvent être envisagées :
    1. soit les sujets élaborent une connaissance abstraite et stockent la situation source dans sa spécificité, mais seuls les éléments de structure sont adaptés sur la cible. Les éléments de contexte servent uniquement d’indices de récupération lors de la phase d’évocation ;
    2. soit les sujets stockent les deux types de connaissance et peuvent adapter sur la cible l’une ou l’autre connaissance selon la distance entre le problème source et le problème cible. Lorsque le problème à résoudre est proche de la source, les sujets pourraient adapter la connaissance spécifique lors de la mise en œuvre d’un raisonnement à partir de cas. Lorsque le problème à résoudre en est plus éloigné, ils auraient alors recours à la connaissance abstraite.

6Il semble que, dans la distinction entre ces différentes hypothèses, il soit nécessaire de différencier les recherches portant sur le raisonnement par analogie inter-domaines (par exemple l’adaptation du problème de la forteresse sur celui de la tumeur de Dunker : Gick et Holyoak, 1983) de celles portant sur le raisonnement par analogie intra-domaine (par exemple l’utilisation d’un corrigé type d’algèbre pour résoudre un nouveau problème d’algèbre de structure identique : Reed et Bolstad, 1991).

7En matière de raisonnement par analogie inter-domaines, la plupart des modélisations visent à formaliser la troisième hypothèse dans sa première version : les sujets élaborent un schéma et stockent la situation source dans sa spécificité mais, lors de la phase d’adaptation, seuls les éléments structuraux sont adaptés (Gentner, Rattermann, et Forbus, 1993 ; Holyoak et Koh, 1987).

8Un certain nombre de recherches montrent cependant que les éléments de surface interviennent dans la phase d’adaptation (Heydenbluth et Hesse, 1996 ; Ross, 1987, 1989a), mais ces recherches mettent presque toujours en œuvre des raisonnements par analogie intra-domaine. Dans ce cadre, les auteurs penchent davantage pour une évolution des processus supposés par l’hypothèse 1 vers les processus envisagés dans l’hypothèse 2 : tant qu’ils n’ont pas élaboré de schémas, les sujets raisonneraient à partir de cas, puis, une fois un schéma élaboré, celui-ci serait alors utilisé pour la résolution de problèmes relevant de la même catégorie (Ross, 1989b ; Ross et Kennedy, 1990). Dans ce cadre intra-domaine, une question est alors de déterminer si la généralisation est « conservative » (Marmèche et Didierjean, 2001 ; Reeves et Weisberg, 1994), à savoir si les sujets qui généralisent leurs connaissances conservent par ailleurs des aspects spécifiques des exemples sources. Dans le cadre d’analogies inter-domaines, nul ne conteste que le sujet qui adapte une structure abstraite conserve les aspects spécifiques de la source (il s’agissait par exemple d’un problème de forteresse...). Dans un cadre intra-domaine, les choses semblent moins évidentes : les sujets qui ont appris un principe à partir de corrigés conservent-ils les aspects spécifiques, pertinents ou non, des corrigés ? (voir Blessing et Ross, 1996, pour une étude dans ce sens sur des experts en mathématique). Pour étudier cette question, nous avons créé une situation expérimentale où les sujets étudient des exemples pour lesquels l’extraction des principes généraux en œuvre est très simple. L’objectif de cette recherche était de mesurer dans un cadre intra-domaine si les effets de contexte sur la résolution perdurent après la généralisation. Dans une première phase, les sujets étudiaient des exemples illustrant des coups classiques au jeu d’échecs dont la compréhension est élémentaire. Ils passaient dans une deuxième phase à une série de problèmes qui nécessitaient la mise en œuvre de ces coups, mais qui étaient plus ou moins similaires à la source. Pour chaque exemple étudié, le sujet voyait trois problèmes différents :

  • Un problème très proche de l’exemple de départ. Dans ce problème, le coup à mettre en œuvre se situait dans la même partie de l’échiquier que lors de l’exemple.
  • Un problème « moins proche ». Celui-ci était construit à partir du problème proche par une symétrie axiale, avec un axe vertical séparant l’échiquier en deux moitiés. Ainsi, si dans le problème exemple et dans le problème « proche », le roi noir se situait dans le coin en haut à gauche de l’échiquier, dans le problème « moins proche » il se situait en haut à droite.
  • Enfin, un problème « éloigné ». Celui-ci était construit à partir du problème « moins proche » par une nouvelle symétrie axiale, avec cette fois-ci un axe horizontal séparant l’échiquier en deux moitiés. Ainsi, si dans le problème « moins proche » les pièces se situaient en haut à droite de l’échiquier, dans le problème « éloigné » elles étaient en bas à droite.

9Tous les problèmes étaient très simples et la plupart des sujets, après avoir étudié un exemple, n’ont eu aucune difficulté à les résoudre. Les trois hypothèses énoncées préalablement amènent cependant à des prédictions différentes en ce qui concerne les temps de résolution des différents problèmes :

  • Si les sujets élaborent à partir de l’exemple source une connaissance abstraite et n’utilisent pas les aspects spécifiques de la source (comme le coin de l’échiquier où doit se jouer la pièce), on peut s’attendre à ce qu’ils aient un temps de résolution identique quelle que soit la partie de l’échiquier où se situe le problème à résoudre.
  • Le matériel de cette expérience a été construit dans l’objectif de créer une situation expérimentale suscitant de la généralisation. Si toutefois les sujets élaborent uniquement une connaissance contenant des informations de contexte, et qu’ils tentent de l’adapter sur l’ensemble des problèmes, le temps de réponse devrait augmenter avec l’augmentation de la distance entre problème source et problème cible : le problème « proche » devrait alors être résolu plus vite que le problème « moins proche », qui devrait lui-même être résolu plus vite que le problème « éloigné ».
  • Si les sujets élaborent deux types de connaissance différents, c’està dire s’ils élaborent un schéma mais conservent aussi des aspects spécifiques de la source, le temps de réponse au problème « proche » devrait être plus rapide que le temps de réponse aux deux autres problèmes, et les temps de réponse aux problèmes « moins proche » et « éloigné » devraient être équivalents. Cela dans le cadre des deux versions de notre troisième hypothèse : selon la première version, les éléments de contexte serviraient d’indices de récupération pour accélérer l’évocation du schéma face au problème « proche », et selon la deuxième version, les sujets utiliseraient la connaissance contextualisée sur le problème « proche » et une connaissance plus abstraite sur les deux autres problèmes.

Méthode

Participants

10Soixante-dix participants novices au jeu d’échecs (moyenne d’âge = 21 ans ; écart type = 18 mois), jouant moins d’une fois par an mais connaissant les règles du jeu, ont passé l’expérience.

Matériel

11Le matériel était constitué de problèmes dont le principe expérimental a été repris d’une recherche de Burns (1998). Le principe général est le suivant : le sujet voit sur un écran d’ordinateur un échiquier contenant deux pièces : le roi noir et une autre pièce noire importante (dame ou tour). Au-dessus de l’échiquier est placée une pièce blanche. La tâche du sujet est de cliquer avec la souris de l’ordinateur sur la case de l’échiquier où la pièce blanche est la plus menaçante pour les noirs.

12Sur ce principe, le matériel suivant a été construit :

  • Quatre problèmes illustrant un coup classique dit « fourchette ». La pièce blanche extérieure est un cheval. Pour faire une fourchette, elle doit être positionnée sur une case où elle menace simultanément le roi et l’autre pièce (voir figure 1 pour l’un des problèmes).
  • Cinq problèmes (« exemple groupe 1 », « exemple groupe 2 », « proche », « moins proche » et « éloigné ») illustrant le coup dit « alignement à partir d’un fou ». Le roi noir et la tour noire sont alignés sur une même diagonale. La pièce blanche au-dessus de l’échiquier est un fou. La solution consiste à placer le fou sur la même diagonale que celle des deux pièces noires.

Figure 1 – Exemple de problème « fourchette ».

13La figure 2 présente le problème « exemple groupe 1 » et sa solution. Le problème « exemple groupe 2 » est le même avec une autre orientation sur l’échiquier.

14À partir de chaque problème « exemple », trois problèmes différents ont été construits, correspondant à trois types de similarité par rapport aux exemples étudiés. Pour construire ces problèmes, deux critères ont été retenus : le sens de déplacement de la pièce blanche qui doit être jouée (de bas en haut ou de haut en bas) est le même ou non. La zone de l’échiquier où se situent les pièces est la même ou non (zone identique : les deux segments formés par les deux pièces sur l’échiquier de chaque configuration sont toujours éloignés au maximum de deux cases ; zone différente : les deux segments formés par les deux pièces sur l’échiquier de chaque configuration sont éloignés de plus deux cases). Sur ces critères, trois distances de similarité ont été construites :

  • « proche » : le problème partage les deux critères avec l’exemple.
  • moins proche » : le problème partage un des critères avec l’exemple.
  • éloigné » : le problème ne partage aucun des deux critères avec l’exemple.

Figure 2 – Énoncé et solution du problème « exemple groupe 1 ».

15Ainsi, à partir du problème exemple présenté en figure 2 ont été construits trois problèmes (fig. 3) :

  • Un problème « proche » : le fou blanc doit être joué dans le même quart de l’échiquier, en bas à droite, seules les cases exactes occupées par les différentes pièces diffèrent. De ce fait, le sens de déplacement de la pièce à jouer et la zone occupée par les pièces sont identiques.
  • Un problème « moins proche » : il est construit par une symétrie axiale verticale. Ce problème est donc strictement le même d’un point de vue structurel. La seule différence est que le fou, qui devait être placé dans le quart de l’échiquier en bas à droite dans le problème « proche », doit être placé dans le quart en bas à gauche dans le problème « moins proche ». Ainsi, le sens de déplacement de la pièce à jouer est le même que dans les deux problèmes précédents (de bas en haut), mais la zone de l’échiquier diffère.
  • Un problème « éloigné », construit par une nouvelle symétrie axiale, à partir du problème « moins proche ». Cette fois l’axe utilisé sépare horizontalement l’échiquier en deux parties égales. Le fou doit être joué dans le quart en haut à gauche. Ce problème diffère donc de l’exemple sur les deux critères utilisés.
  • Cinq problèmes illustrant un autre type d’alignement, dit « alignement à partir d’une tour » (fig. 4a et 4b). Le principe est le même, mais la pièce blanche à jouer est cette fois une tour, et les deux pièces noires sont alignées sur une ligne verticale. Ces cinq problèmes (« exemple groupe 1 », « exemple groupe 2 », « proche », « moins proche » et « éloigné »)« éloigné ») sont construits exactement sur le même principe que ceux qui illustrent l’alignement à partir d’un fou.

Figure 3 – Problèmes « proche », « moins proche » et « éloigné » de type « alignement à partir d’un fou », construits à partir du problème « exemple groupe 1 ».

Figure 4a – Problèmes « alignement à partir d’une tour » du groupe 1.

Figure 4b – Problèmes « alignement à partir d’une tour » du groupe 2.

Procédure

16Tous les sujets sont passés par trois phases expérimentales successives : une phase de familiarisation avec le dispositif, une phase d’apprentissage et une phase test.

17Les sujets ont été répartis aléatoirement dans deux groupes. L’utilisation de deux groupes était un contrôle expérimental. En effet, il pourrait être plus facile de résoudre un problème en haut à gauche qu’en bas à droite car, de manière « classique », on joue sur un ordinateur avec les pièces du bas de l’écran contre les pièces du haut. Aussi, ces deux groupes ne se différenciaient que par les problèmes exemples étudiés en phase d’apprentissage et par le statut des problèmes en phase test. Selon l’orientation des pièces dans les problèmes exemples, les trois problèmes de chaque type étaient soit « proches », soit « moins proches », soit « éloignés » (voir figure 4 pour une illustration à partir des S problèmes « alignement à partir d’une tour »).

Phase de familiarisation

18L’expérimentateur expliquait au sujet qu’il allait se voir présenter un type de coup particulier aux échecs, la « fourchette », au travers de quatre exemples l’illustrant. Il lui expliquait également la nature de la tâche qu’il allait devoir réaliser. Le sujet voyait alors successivement sur l’écran les quatre problèmes « fourchette ». Pour chacun des problèmes, il cliquait avec la souris sur la case où il voulait positionner le cheval blanc présent au-dessus de l’échiquier. La solution du problème apparaissait alors (l’une des solutions possibles ; si le sujet en avait choisi une autre, l’expérimentateur lui signalait que le coup qu’il avait joué était tout aussi valable).

Phase d’apprentissage

19À l’issue de la phase de familiarisation, l’expérimentateur expliquait au sujet qu’il allait apprendre un nouveau coup : l’alignement. Il voyait alors un exemple source « alignement à partir d’un fou » (celui qui correspondait à son groupe) qu’il tentait de résoudre. Après que la solution lui eut été présentée, il tentait de résoudre le deuxième exemple source « alignement à partir d’une tour » puis en voyait la solution.

Phase test

20L’expérimentateur disait au sujet qu’il allait, dans cette phase, voir se succéder des problèmes qui pouvaient cette fois être résolus soit par une fourchette, soit par un alignement, sa tâche étant de répondre le plus vite possible. Se succédaient alors dans un ordre aléatoire les six problèmes d’alignement (« proches », « moins proches » et « éloignés » pour les deux types d’alignement) mêlés à quatre problèmes « fourchette ». Seuls les temps de réponse pour les problèmes d’alignement étaient pris en compte.

Résultats

21Nos analyses ne portent que sur les 58 sujets (sur 70) qui ont réussi les six problèmes d’alignement.

22Nous avons réalisé une analyse de variance avec les facteurs « proximité des problèmes » et « type de coup » comme facteur intra-sujets et le groupe expérimental comme facteur inter-sujets.

23On observe un effet du type de coup (F(l/56) = 4,19 ; p <.05) : l’alignement à partir d’une tour est réussi plus vite que l’alignement à partir d’un fou. On n’observe cependant pas d’interaction entre « type de coup » et « proximité des problèmes » (F(2/112) < 1), aussi nous allons présenter les résultats tous types de coups confondus.

24On observe une absence d’effet du groupe (F(1/56) = 3,25 ; p =.077) et d’interaction « groupe » « proximité des problèmes » (F(2/112) < 1), aussi les résultats vont-ils être présentés tous groupes confondus.

25Le tableau 1 présente les temps moyens de résolution pour les trois niveaux de proximité des problèmes.

Problèmes

Problèmes « proches »

Problèmes « moins proches »

« éloignés »

Moyenne

3737
(σ = 2756)

4512
(σ = 3888)

4301
(σ = 4224)

Tableau 1 – Temps moyen de résolution et écart type pour chaque proximité de problèmes, en millisecondes.

26Les sujets réussissent plus vite les problèmes « proches » que les problèmes « moins proches » et « éloignés » (F(l/56) = 4,76 ; p <.05), mais on n’observe pas de différences entre les problèmes « moins proches » et les problèmes « éloignés » (F(l/56) < 1).

Discussion

27L’objectif de cette expérience était d’étudier, dans un cadre intra-domaine, si les sujets qui analysent des exemples et qui généralisent leurs connaissances restent sensibles aux aspects spécifiques des exemples étudiés. Les résultats obtenus montrent que les sujets réussissent plus vite les problèmes « proches » que les autres problèmes construits par symétrie à partir du problème « proche », qu’il s’agisse des problèmes « moins proches » (une symétrie) ou « éloignés » (deux symétries), aucune différence n’étant observée dans les temps de résolution de ces deux dernières catégories.

28Ces résultats sont compatibles avec l’hypothèse selon laquelle les sujets élaborent deux types de connaissance : un schéma abstrait relatif au principe du coup à jouer, c’est-à-dire une connaissance déclarative abstraite (Anderson, Fincham et Douglass, 1997) du type « faire un alignement consiste à aligner roi, tour et fou », et une connaissance contextualisée intégrant des traits perceptifs spécifiques.

29Face aux problèmes les plus proches des exemples, la connaissance perceptive interviendrait soit en étant adaptée sur le problème à résoudre (voir notre troisième hypothèse, deuxième version), soit en accélérant le recours à la connaissance abstraite (voir notre troisième hypothèse, première version).

30Face aux problèmes plus éloignés, seule la connaissance déclarative serait mise en œuvre.

31Sur la base de ces premiers résultats expérimentaux, nous avons élaboré un modèle de la résolution de problèmes par l’expert, modèle qui a été implémenté.

PROPOSITION D’UN MODÈLE

32Suite aux résultats de cette expérimentation, nous proposons un modèle des connaissances de résolution d’un expert (fig. 5). Ce modèle permet d’envisager le recours conjoint à des connaissances abstraites et à des connaissances contextualisées en résolution de problèmes. Nous avons défini l’architecture informatique CASCADE (Cas et connaissances abstraites : une double expertise), qui permet de représenter de telles connaissances et de les mettre en œuvre pour la résolution de problèmes. Cette architecture a été utilisée pour implémenter un système informatique qui résout les problèmes simples d’échecs utilisés dans l’expérimentation précédemment décrite : pour chaque problème, CASCADE propose une solution fondée soit sur ses connaissances contextualisées, soit sur ses connaissances abstraites, selon la similarité entre le problème rencontré et les problèmes de sa base de connaissances.

33Nous décrivons dans un premier temps comment sont modélisées les connaissances abstraites ; puis nous présentons comment est utilisé le raisonnement par analogie, et enfin nous décrivons comment s’articulent ces deux types de raisonnement pour la résolution de problèmes.

Connaissances abstraites représentées par des classes

  • * Classification heuristique : méthode de résolution de problèmes comportant trois phases : abstract (...)

34Utiliser une connaissance abstraite (ou schéma) pour résoudre un problème peut revenir à trouver à quelle classe appartient le problème afin d’appliquer une méthode de résolution adaptée aux problèmes relevant de cette classe. Cette démarche se rapproche de la classification heuristique* (Clancey, 1985).

35Dans le modèle que nous proposons, les connaissances abstraites sont représentées par une hiérarchie de classes de problèmes comme les hiérarchies utilisées par l’architecture SYRCLAD (système de résolution de problèmes fondé sur la classification du domaine) (Guin-Duclosson, 1999). Nous avons explicité pour les problèmes d’échecs qui nous concernent une hiérarchie de classes de problèmes définie par des concepts abstraits – possibilité de jouer de l’autre côté du roi, dangerosité d’une pièce, etc. (voir partie supérieure de la figure 5).

36Une classe est définie par :

  • son nom (en gras sur la figure 5),
  • des attributs permettant de reformuler le problème, par exemple l’alignement défini par le vecteur (roi, autre pièce noire),
  • en particulier l’attribut qui discrimine les sous-classes (par exemple « place de l’autre côté du roi » qui est suffisante ou insuffisante).

Figure 5 – Modèle des connaissances de l’expert.

37Cette hiérarchie permet de reformuler le problème selon des indices abstraits et de le classer. Une classe opérationnelle est une classe suffisamment spécifique pour qu’une technique de résolution adaptée aux problèmes relevant de cette classe puisse lui être associée (en italique sur la figure 5). Résoudre un problème consiste en une phase d’opérationnalisation du problème (reformulation et identification de la classe) et en une phase d’application de la technique de résolution associée à la classe déterminée.

38La figure 6 décrit la partie de l’architecture CASCADE dédiée aux connaissances abstraites. Le niveau « domaine » contient des bases de connaissances spécifiques au domaine, qui doivent être définies par l’expert du domaine. Le niveau « CASCADE » est le noyau du système, indépendant du domaine ; il contient des processus qui utilisent les bases de connaissances du domaine. Le niveau « problème » décrit comment le système résout par classification un problème posé par l’utilisateur.

Figure 6 – Représentation de connaissances abstraites dans CASCADE

Connaissances contextualisées représentées par des cas

39Inspiré des travaux de Minsky (1975) sur les cadres de données, le paradigme du raisonnement à partir de cas (RàPC) est défini par Schank (1982) à travers le modèle Dynamic Memory, Ce paradigme permet d’une part de modéliser le raisonnement (Kolodner, 1993) et, d’autre part, de réaliser des systèmes d’intelligence artificielle permettant une interprétation et/ou une résolution de problèmes (Aamodt et Plaza, 1994 ; Leake, 1996).

40Le RàPC, qui modélise un raisonnement par analogie intra-domaine, peut être décrit par un ensemble d’étapes séquentielles que l’on représente souvent par un cycle (fig. 7). La première étape de ce cycle consiste à décrire le problème à résoudre selon des traits (ou indices) pour élaborer le cas cible. L’étape suivante consiste à retrouver un cas similaire au cas cible, qu’on appelle cas source. Cette étape de remémoration utilise les indices des deux cas pour les comparer et réaliser un appariement du cas cible au cas source. Il s’agit ensuite d’adapter la solution (ou le processus ayant mené à cette solution) au cas cible. Après cette étape d’adaptation, la solution proposée pour le cas cible est testée et éventuellement révisée. Enfin, le cas cible (avec sa solution) est mémorisé dans la base de cas en fonction de ses indices ; il devient ainsi un cas source potentiel pour un problème futur.

Figure 7 – Le cycle du raisonnement à partir de cas.

41Dans le modèle que nous proposons, les connaissances contextualisées sont représentées par des cas. Un cas est défini par :

  • son nom,
  • le groupement de cas auquel il appartient,
  • la liste de ses attributs,
  • sa solution.

42L’étape d’élaboration du cycle de RàPC revient pour nous à déterminer les valeurs d’indices de surface. En ce qui concerne le domaine des échecs, ces indices sont liés à la représentation spatiale du problème : la direction de l’alignement (horizontale, verticale, diagonale), sa position sur l’échiquier (bas, haut, gauche, droite), la position du roi noir par rapport à la deuxième pièce, la distance entre les deux pièces noires, etc. L’étape de remémoration consiste à trouver un cas source semblable en termes d’indices de surface.

43Pour une remémoration efficace, on utilise une hiérarchie de groupements de cas, fondée sur ces indices de surface. Cette hiérarchie est définie a priori, et seules sont actives (et donc utilisables pour la remémoration) les branches qui conduisent à des cas (voir partie inférieure de la figure 5). On définit alors un cas « proche » (au sens de l’expérimentation décrite en deuxième partie) comme un cas qui appartient au même groupement de cas que le cas cible. Un cas « moins proche » est un cas appartenant à un sous-arbre de la hiérarchie, dont la racine est définie par l’expert du domaine. Pour le domaine des problèmes d’échecs que nous traitons, c’est le niveau des directions d’alignement qui définit les cas « moins proches » : un cas du groupement « verticale gauche » est un cas « moins proche » d’un cas du groupement « verticale droite ». Les cas appartenant aux sous-arbres issus du groupement « horizontale » ou du groupement « diagonale » sont des cas « éloignés ».

44L’étape de remémoration consiste alors à classer le cas cible dans la hiérarchie de groupements de cas, puis à récupérer les cas proches et moins proches grâce à la hiérarchie de groupements de cas, comme défini ci-dessus.

45Pour préparer l’étape d’adaptation, la fin de l’étape de remémoration consiste à classer les cas sources potentiels selon leur degré de similarité avec le cas cible (il s’agit de l’étape d’appariement). La mesure de similarité donne ici priorité aux cas qui pourront être adaptés facilement. Ainsi, on préfère sélectionner un cas « moins proche » si sa solution peut être adaptée de manière certaine pour le cas cible. Par exemple, on pourra préférer un cas source du groupement « horizontale basse » à un cas source du groupement « horizontale haute », même si le cas cible appartient au groupement « horizontale haute », quand la solution du premier peut s’adapter de manière certaine au cas cible (par exemple s’il y a, par analogie, « plus de place » pour la solution éventuelle du cas cible que dans le cas source).

46La solution du cas source sélectionné est adaptée au cas cible. Pour le domaine des échecs, on applique au roi du cas cible le vecteur (roi noir, pièce blanche) du cas source. Si cette solution n’est pas issue d’une adaptation « certaine », elle est testée puis corrigée dans des cas simples (par exemple par une rectification de la norme du vecteur). Si cette adaptation n’aboutit pas, on essaie d’adapter le prochain cas source dans la liste ordonnée des cas candidats.

47La figure 8 décrit la partie de l’architecture CASCADE dédiée aux connaissances contextualisées. Le niveau « domaine » contient des bases de connaissances spécifiques au domaine qui doivent être définies par l’expert du domaine. Le niveau « CASCADE » est le noyau du système, indépendant du domaine ; il contient des processus qui utilisent les bases de connaissances du domaine. Le niveau « problème » décrit comment le système résout par RàPC un problème posé par l’utilisateur.

Figure 8 – Représentation de connaissances contextualisées dans CASCADE.

Utilisation conjointe des deux types de connaissances

48Nous décrivons à présent la manière dont le raisonnement par classification et le raisonnement à partir de cas, que nous venons de voir, sont utilisés au sein du modèle que nous proposons, et nous précisons en particulier comment sont mémorisés les problèmes résolus.

49Parce qu’il est montré que les experts tendent à utiliser de préférence, lorsqu’ils le peuvent, des connaissances spécifiques pour la résolution de problèmes familiers (Blessing et Ross, 1996), nous avons choisi de privilégier le RàPC par rapport au raisonnement par classification. Ainsi, dans le modèle que nous proposons, résoudre un problème consiste d’abord à utiliser un raisonnement à partir de cas ; si cette démarche n’aboutit pas, on utilise alors le raisonnement par classification.

50Nous avons vu que dans la démarche de RàPC, nous distinguons des adaptations de cas « certaines ». Lorsque le RàPC débouche sur une telle adaptation, on distingue deux possibilités :

  1. si le cas source est un cas « proche » du cas cible (i. e. les deux cas appartiennent au même groupement de cas), le cas cible n’est pas mémorisé car il est jugé trop semblable au cas source ;
  2. si le cas source est un cas « moins proche » (i. e. il appartient à un groupement de cas « voisin » de celui du cas cible), le cas cible est mémorisé.

51Lorsque l’adaptation n’est pas certaine, la solution issue de cette adaptation est vérifiée. Si la solution est validée, le cas est mémorisé.

52Lorsque le RàPC n’a pas débouché sur une solution satisfaisante, on utilise le raisonnement par classification pour résoudre le problème, raisonnement qui aboutit toujours à une solution valide. Les raisons d’un échec du RàPC peuvent être d’une part qu’on n’a pas trouvé de cas source (proche ou moins proche) et, d’autre part, que pour les cas sources retenus, aucun n’a permis une adaptation certaine, et que les adaptations peu sûres ont toutes abouti à des solutions invalidées ou à des solutions négatives (i. e. « il n’y a pas de solution »), donc non validables. Les problèmes résolus par classification sont systématiquement mémorisés ; ils illustrent en effet une situation qui est nouvelle, puisqu’elle n’a pas pu être résolue par analogie.

Mémorisation d’un problème résolu

53Lorsqu’on a trouvé une solution au problème, il faut le mémoriser en l’attachant à la hiérarchie de classes et à la hiérarchie de groupements de cas. Cette étape de mémorisation est indispensable puisqu’elle construit la base de cas qui sera par la suite utilisée pour résoudre d’autres problèmes par RàPC. De plus, c’est la mémorisation des problèmes qui permet d’obtenir une représentation conjointe des connaissances abstraites et des connaissances contextualisées, en fusionnant les deux parties du modèle.

54Pour attacher le problème résolu à la hiérarchie de classes, lorsque le problème a été résolu par classification, on l’attache à la classe opérationnelle déterminée pendant le classement. Lorsque le problème a été résolu par RàPC, la solution est « certaine » ou a été validée, et l’on peut donc attacher le cas cible à la classe opérationnelle dont relève le cas source.

55Pour attacher le problème résolu à la hiérarchie de groupements de cas, on parcourt la hiérarchie à partir de sa racine et on compare les indices de surface du problème à ceux de la hiérarchie. Lorsque le problème a été résolu par RàPC, la plupart de ces indices ont été déterminés dans l’étape d’élaboration ; lorsqu’il a été résolu par classification, ces indices doivent être déterminés pendant cette étape de mémorisation. Le parcours de la hiérarchie de groupements de cas peut amener à « activer » certaines branches prédéfinies qui n’étaient pas actives (par exemple « horizontale basse » sur la figure 5).

56Nous avons décrit dans cette partie le modèle que nous avons mis au point pour faire suite aux résultats de l’expérimentation relatée dans la deuxième partie. Nous avons également présenté l’architecture informatique conçue afin de mettre ce modèle en œuvre dans une situation de résolution de problèmes.

CONCLUSION ET PERSPECTIVES

57Le mode de fonctionnement du modèle réalisé ici est, par construction, compatible avec nos résultats expérimentaux : dans nos résultats, les temps sont plus courts pour les problèmes proches que pour les autres problèmes. Le modèle comporte deux cycles : un premier cycle de recherche de cas puis un deuxième cycle d’adaptation de la connaissance abstraite. Pour les problème proches, le premier cycle suffit ; pour les autres problèmes, le premier cycle est dans un second temps complété par le second cycle. Il nous reste cependant à développer des recherches permettant la validation de certains des choix que nous avons effectués dans l’élaboration du modèle présenté. Ainsi, comme nous l’avons mentionné en deuxième partie, les résultats expérimentaux que nous avons obtenus peuvent s’interpréter de deux façons différentes :

  1. Les sujets élaborent une connaissance abstraite et stockent la situation source dans sa spécificité, mais seuls les éléments de structure sont adaptés sur la cible. Les éléments de contexte servent uniquement d’indices de récupération lors de la phase d’évocation.
  2. Les sujets stockent les deux types de connaissance et peuvent adapter sur la cible l’une ou l’autre connaissance selon la distance entre le problème source et le problème cible. Lorsque le problème à résoudre est proche de la source, les sujets peuvent adapter la connaissance spécifique. Lorsque le problème à résoudre en est plus éloigné, ils ont alors recours à la connaissance abstraite.

58Dans le modèle réalisé, nous fondant sur les travaux de Sander et Richard (1997) et de Blessing et Ross (1996), nous avons privilégié la deuxième hypothèse. Pour appuyer ce point, une expérience complémentaire a été réalisée. Dans cette expérience, nous avons présenté à des sujets des séries d’exemples illustrant les coups utilisés dans la première expérience, mais nous avons également introduit dans les exemples un élément non pertinent pour la résolution. Pour un groupe de sujets, par exemple, la tour blanche lors de la solution a systématiquement été placée le plus loin possible du roi noir. Pour un autre groupe de sujets, celle-ci a systématiquement été placée le plus près possible du roi. La distance de la tour blanche au roi noir est une caractéristique qui n’intervient pas dans la résolution. Dans une deuxième phase, comme dans l’expérience précédente, les sujets ont passé des problèmes « proches », « moins proches » et « éloignés ».

59Si les situations spécifiques stockées servent uniquement à accélérer la recherche d’une connaissance abstraite, on ne devrait pas trouver d’effet de la manipulation expérimentale que nous introduisons ici dans les réponses sur les problèmes « proches ». Si, au contraire, le cas est parfois adapté sur la cible, on devrait trouver une différence entre les deux groupes quant au choix de la case où la pièce va être jouée. De plus, si comme nous l’avancions dans la première expérience, les sujets utilisent les cas sur les problèmes « proches » et non sur les problèmes « moins proches » et « éloignés », l’effet de la position de la tour dans l’exemple ne devrait apparaître que sur les problèmes « proches ».

60Les résultats obtenus montrent un effet de l’élément contextuel introduit dans l’exemple. Les sujets réutilisent de manière systématique cet élément (non nécessaire pour la résolution) dans les problèmes à résoudre. De plus, contrairement à notre hypothèse, les sujets utilisent cette connaissance non seulement sur le problème proche, mais également sur les problèmes moins proches et éloignés. Cela suggère que la connaissance contextuelle influence la résolution des problèmes moins proches et éloignés, conjointement au recours à la connaissance abstraite. Ces résultats expérimentaux conduisent à réfléchir sur des modifications du modèle dans le sens d’une influence conjointe, lors d’une même séquence de résolution, des deux types de connaissance. Quelques rares recherches expérimentales en psychologie montrent que les sujets peuvent évoquer simultanément plusieurs connaissances lors de la résolution d’un problème (voir par exemple Goldin-Meadow, Alibali et Church, 1993). Une première modification du modèle a été développée de manière à ce que, lorsque l’utilisation de la connaissance abstraite conduit à plusieurs solutions équivalentes, celle qui est choisie est la plus proche de celles figurant dans les cas déjà résolus qui sont attachés à la classe du problème. On illustre ainsi l’influence de la connaissance contextuelle sur une résolution utilisant la connaissance abstraite.

61Le travail de recherche que nous avons présenté dans cet article illustre les interactions entre les deux disciplines présentes. En effet, le modèle informatique proposé, dont l’objectif est de modéliser le raisonnement humain, s’appuie sur les résultats des expérimentations en psychologie cognitive. Le développement du modèle conduit à faire des choix précis qui soulèvent de nouvelles questions, et amène ainsi à réaliser de nouvelles expérimentations. Celles-ci permettent d’aller plus loin sur les processus mentaux mis en œuvre et conduisent à développer le modèle de manière incrémentale.

Bibliographie

Références bibliographie

Aamodt A. et E. Plaza. 1994. « Case-based Reasoning : Foundational Issues, Methodological Variations, and System Approach ». Artificial Intelligence Communications, 7 : 39-59.

Anderson, J.R., J.M. Fincham et S. Douglass. 1997. « The Role of Examples and Rules in the Acquisition of a Cognitive Skill ». Journal of Experimental Psychology : Learning, Memory and Cognition, 23 : 932-945.

Blessing, S.B. et Β.H. Ross. 1996. « Content Effects in Problem Categorization and Problem Solving ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 22 : 792-810.

Burns, B. 1998. « Pragmatics Effects on Speed of Analogical Problem Solving ». In K. Holyoak, D. Gentner et Β. Kokinov (éds), Advances in Analogy Research : Integration of Theory and Data from the Cognitive, Computational and Neural Sciences. NBU Series in Cognitive Sciences : Sofia, New Bulgarian University : 201-209.

Catrambone, R. et K.J. Holyoak. 1989. « Overcoming Contextual Limitation on Problem-solving Transfer ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 15 : 1147-11 56.

Clancey, W.J. 1985. « Heuristic Classification ». Artificial Intelligence, 27 : 289-350.

Cummins, D. 1992. « Role of Analogical Reasoning in the Induction of Problem Categories ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 5 : 1103-1124.

Didierjean, A. 2003. « Is Case based Reasoning a Source of Knowledge Generalization ? » European Journal of Cognitive Psychology, 15 : 435-453.

Didierjean, Α., Ε. Cauzinille-Marmèche et Y. Savina. 1999. « Learning from Examples : Case-based Reasoning in Chess for Novices ». Current Psychology of Cognition, 18 : 337-361.

Didierjean, A. et S. Nogry. 2004. « Reducing Structural Element Salience on a Source Problem Produces Later Success in Analogical Transfer : What Role Does Source Difficulty Play ? » Memory and Cognition, 32 : 1053-1064.

Estes, W.K. 1994. Classification and Cognition. Oxford, Oxford University Press.

Gentner, D., M.J. Rattermann et Κ. D. Forbus. 1993. « The Role of Similarity in Transfer : Separating Retrievability from Inferential Soudness ». Cognitive Psychology, 25 : 524-575.

Gick, M. et K.J. Holyoak. 1983. « Schema Induction and Analogical Transfer ». Cognitive Psychology, 15 : 1-38.

Gobet, F. 1998. « Expert Memory : a Comparison of four Theories ». Cognition, 66 : 115-152.

Goldin-Meadow, S., M.W. Alibali et R.B. Church. 1993. « Transitions in Concept Acquisition : Using the Hand to Read the Mind ». Psychological Review, 100 : 279-297.

Guin-Duclosson, N. 1999. « SYRCLAD : une architecture de résolveurs de problèmes permettant d’expliciter des connaissances de classification, reformulation et résolution ». Revue d’Intelligence Artficielle, 13 : 225-282.

Heydenbluth, C. et F.W. Hesse. 1996. « Impact of Superficial Similarity in the Application Phase of Analogical Problem Solving ». American Journal of Psychology, 109 : 37-57.

Holyoak, K.J. et Κ. Koh. 1987. « Surface and Structural Similarity in Analogical Transfer ». Memory and Cognition, 15 : 332-340.

Kolodner, J. 1993. Case-Based Reasoning. San Mateo CA, Morgan Kaufman Publishers.

Leake, D. 1996. Case-Based Reasoning : Experiences, Lessons, and Future Directions. AAAI Press/MIT Press.

Marmèche, Ε. et A. Didierjean. 2001. « Is Generalization Conservative ? » European Journal of Cognitive Psychology, 1 3 : 475-491.

Minsky, M. 1975. « A Framework for Representing Knowledge ». In P.H. Winston (éd.), The Psychology of Computer Vision. New York, McGraw-Hill : 211-279.

Reed, S.K. 1989. « Constraints on the Abstraction of Solutions ». Journal of Educational Psychology, 81 : 532-540.

Reed, S.K. et C.A. Bolstad. 1991. « Use of Examples and Procedures in Problem Solving ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 17 : 753-766.

Reeves, L.M. et R.W. Weisberg. 1994. « The Role of Content and Abstract Information in Analogical Transfer ». Psychological Bulletin, 115 : 381-400.

Ross, Β.H. 1987. « This is Like That : the Use of Earlier Problems and the Separation of Similarity Effects ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 13 : 629639.

Ross, Β.H. 1989a. « Distinguishing Types of Superficial Similarities : Different Effects on the Access and Use of Earlier Problems ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 15 : 456-468.

— 1989b. « Reminding in Learning and Instruction ». In S. Vosniadou, A. Ortony (éds), Similarity and Analogical Reasoning. Cambridge MA, Cambridge University Press : 438-469.

Ross, B.H. et P.T. Kennedy. 1990. « Generalizing from the Use of Earlier Examples in Problem Solving ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 16 : 4255.

Sander, E. et J.F. Richard. 1997. « Analogical Transfer as Guided by an Abstraction Process : the Case of Learning by Doing in Text Editor ». Journal of Experimental Psychology : Learning, Memory, and Cognition, 23 : 14591483.

Schank, R.C. 1982. Dynamic Memory, a Theory of Reminding and Learning in Computers and People. Cambridge, Cambridge University Press.

Notes de fin

* Classification heuristique : méthode de résolution de problèmes comportant trois phases : abstraction des données, association heuristique et spécialisation.

Table des illustrations

Légende Figure 1 – Exemple de problème « fourchette ».
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-1.jpg
Fichier image/jpeg, 429k
Légende Figure 2 – Énoncé et solution du problème « exemple groupe 1 ».
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-2.jpg
Fichier image/jpeg, 432k
Légende Figure 3 – Problèmes « proche », « moins proche » et « éloigné » de type « alignement à partir d’un fou », construits à partir du problème « exemple groupe 1 ».
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-3.jpg
Fichier image/jpeg, 179k
Légende Figure 4a – Problèmes « alignement à partir d’une tour » du groupe 1.
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-4.jpg
Fichier image/jpeg, 296k
Légende Figure 4b – Problèmes « alignement à partir d’une tour » du groupe 2.
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-5.jpg
Fichier image/jpeg, 333k
Légende Figure 5 – Modèle des connaissances de l’expert.
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-6.jpg
Fichier image/jpeg, 210k
Légende Figure 6 – Représentation de connaissances abstraites dans CASCADE
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-7.jpg
Fichier image/jpeg, 379k
Légende Figure 7 – Le cycle du raisonnement à partir de cas.
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-8.jpg
Fichier image/jpeg, 348k
Légende Figure 8 – Représentation de connaissances contextualisées dans CASCADE.
URL http://books.openedition.org/editionsmsh/docannexe/image/7214/img-9.jpg
Fichier image/jpeg, 555k

© Éditions de la Maison des sciences de l’homme, 2005

Conditions d’utilisation : http://www.openedition.org/6540

Acheter

Volume papier

Chargement

Unavailable