Communication homme-machine et théories implicites de l’esprit : l’exemple de l’évaluation de textes “artificiels”
p. 83-94
Texte intégral
1Produire un texte cohérent, résumer une documentation, répondre à des questions posées sur un texte étaient jusqu’à présent des activités dont il allait de soi qu’elles relevaient des seules facultés humaines. Ces activités de production ou de compréhension de texte peuvent désormais être en partie synthétisées par des programmes informatiques. La capacité des machines à produire des textes, appelée génération automatique de texte, est encore peu connue, a fortiori la compréhension artificielle de texte l’est moins encore (Pitrat, 1985). Sur la base des prototypes actuels, il est raisonnable d’envisager une diffusion progressive de ces technologies tant auprès des professionnels dans l’industrie et les services qu’auprès du grand public. “La décennie actuelle verra apparaître des systèmes permettant de produire des textes de l’ordre d’une page, d’une qualité proche de celles d’un rédacteur humain” (Zock et Sabah, 1992). L’informatique textuelle répond à deux types de besoin : d’une part, le traitement de grandes masses d’information (technique, juridique, etc.) et d’autre part, la communication entre l’homme et les systèmes complexes. Utiliser le langage naturel pour communiquer avec les machines présente de nombreux avantages. Aussi, le développement d’interfaces homme-machine en langage naturel est-il depuis longtemps à l’étude, limité actuellement à des applications où le domaine est strictement encadré comme l’interrogation de bases de données spécialisées en médecine, par exemple. Les applications concernent aussi la traduction assistée ou automatique, l’enseignement assisté, l’aide au traitement et à la conception de textes, etc. De l’affichage de messages simples à des textes élaborés, il est donc plausible sinon habituel d’être confronté à un système dont les réponses se présentent sous forme de langage naturel écrit ou oral (nous nous limiterons ici à l’écrit). L’opérateur est confronté à un produit textuel (récit, mode d’emploi, conseil, dialogue, etc.) qui présente une proximité formelle avec des productions humaines.
2Nous proposons une investigation empirique autour de l’évaluation de textes “artificiels” produits dans le cadre de la génération et de la compréhension automatique de texte1. En quoi et selon quels processus le fait que ces textes soient d’origine artificielle modifie-t-il la valeur qui leur est attribuée ? Au préalable, nous suggérerons que l’évaluation du texte ne concernera pas seulement la présentation du texte mais aussi les capacités du système qui les a produites. De ce point de vue, les sujets mettront en œuvre des composantes de leur expertise en matière de jugement social.
Simulation de l’intelligence humaine, jugement social et theories implicites
3Suivant la définition opérationnelle de Boden (1987, p. 478) l’intelligence artificielle concerne : “L’étude de la manière de construire et de programmer des machines qui peuvent faire le genre de choses qu’un esprit humain peut faire”. Le critère d’attestation d’une “intelligence” artificielle est évidemment très discuté. Turing (1950) invoque les capacités de jugement d’un observateur naïf : une machine est intelligente si elle fournit des réponses dont l’origine humaine ou artificielle est indécidable par un observateur qui interroge la machine. La confusion peut être cependant obtenue avec des programmes relativement simples, à l’instar de ces psychiatres qui n’ont pu séparer des vrais discours paranoïaques de ceux simulés par un programme informatique basés sur des règles simples de transformation (Colby, 1972). A défaut de disposer de machines susceptibles de performances de très haut niveau, il est possible de faire croire à une personne qu’elle interagit avec un dispositif artificiel “intelligent”. Celui-ci est en fait un opérateur humain lequel ne sait pas qu’il joue le rôle d’une “machine” (procédé dit du “Magicien d’Oz”). La tâche est généralement très simple : demande de renseignements téléphoniques, consultation d’une documentation, etc. La personne, souvent peu familière avec de tels dispositifs, leur attribue une “intelligence” limitée. Elle utilise un langage simplifié du point de vue de la grammaire et du lexique : phrases simples, peu d’anaphores et d’ellipses (Kennedy, Wilkes, Elder et Murray, 1988) et les modes de requête sont moins flexibles que dans la condition où l’interlocuteur est présenté comme un individu (Amalberti, Carbonnel et Falzon, 1993). Le comportement est ici guidé par une représentation des capacités limitées de la machine. L’analogie est remarquable avec des situations plus banales où un interlocuteur humain est présenté selon une catégorie qui de manière stéréotypée est associée à une déficience intellectuelle (langage restreint adressé aux personnes âgées, aux bébés ou aux handicapés mentaux, Rimé, 1984). L’individu construit une représentation stéréotypée de son interlocuteur – homme ou machine – et cette représentation contribue à la manière dont il mémorise, évalue les informations qu’il reçoit et guide son propre comportement. L’évaluation de réponses artificielles ne devrait donc pas être séparée de deux axes de recherche : celui qui porte sur les jugements sociaux en général et celui qui porte sur les processus par lesquels nous inférons les connaissances d’autrui.
4Les connaissances et stratégies mises en œuvre pour juger autrui alimentent un important corpus de recherches sinon le plus important en psychologie sociale. Jusqu’à récemment l’accent était mis sur les distorsions du jugement dans des contextes d’évaluation d’autrui traitées comme des biais cognitifs ou des erreurs commises dans des situations standardisées (Nisbett et Ross, 1980). La question est aujourd’hui posée sous un angle plus fonctionnel qui prend en compte le contexte de jugement et l’activité dans laquelle il est inséré. Ce point de vue réfléchit les bénéfices éventuels de ces erreurs (Schneider, 1991). Nombre de celles-ci découlent de l’activation d’heuristiques de jugement. Au sens où le jugement social appelle des connaissances nombreuses, fortement structurées, souvent actualisées, rapidement mobilisables et plus ou moins “automatisées”, on parlera d’une “expertise” en matière de jugements sociaux (Fletcher, Rosanowsky, Rhodes et Lange, 1992). Cette expertise présente à la fois des avantages sur le plan de la mise en œuvre des jugements mais peut aussi être une source de biais. Par exemple, l’organisation subjective des descripteurs de personnalité est fortement intégrée selon des “théories implicites” (Leyens, 1991) qui fournissent rapidement des classements et des évaluations à partir de quelques indices sur les personnes mais conduisent parfois à des erreurs graves de diagnostic.
5Sur un autre plan, la capacité de se représenter les connaissances de l’interlocuteur est requise dans toute situation de communication. Savoir ce que l’autre sait, et spécialement savoir quelles informations on partage avec lui, conditionne la possibilité même de l’échange (Fussel et Krauss, 1992). L’identification de connaissances partagées permet en particulier d’adresser des messages en l’absence d’interlocuteur. Cette capacité à “lire dans l’esprit” (mind-reading) se manifeste précocement, sans doute vers trois-quatre ans, et permet notamment de détecter les états mentaux implicites et notamment les intentions. Un préalable est bien sûr de reconnaître la capacité de l’interlocuteur à intégrer les informations qu’on lui adresse. On parle généralement de “théories de l’esprit” (theories of mind) pour désigner ces représentations construites à propos des connaissances et des capacités de l’interlocuteur ou de soi-même et du fonctionnement mental en général (Astington, Oison et Harris, 1988). A reconnaître la généralité de cette capacité méta-cognitive ou de connaissance sur les connaissances, il est probable qu’elle intervient dans le domaine de la communication homme-machine. En particulier, l’évaluation d’une production artificielle de texte portera non seulement sur le texte lui-même, premier ordre de traitement, mais aussi sur les capacités du système et les processus à la source du texte lui-même, second ordre de traitement. L’interrogation portera donc non seulement sur la surface du texte mais aussi sur l’“esprit” artificiel qui a produit le texte.
Traitement de l’information textuelle
6S’agissant de données textuelles, rappelons que, du point de vue de la psychologie cognitive, la compréhension de texte désigne la construction d’une représentation cohérente de l’information. Une partie de cette information est implicite, elle suppose que le lecteur possède des connaissances qui vont très au delà des connaissances référencées dans le texte (Black et al., 1984 ; Denhière et Baudet, 1992). Le producteur du texte laisse implicite l’information qu’il suppose que le lecteur pourra inférer lui-même (Vonk et Noordman, 1990). Une des grandes difficultés de la conception de systèmes de traitement automatique de la langue est justement que les connaissances implicites nécessaires sont considérables si bien qu’il faut se limiter à investir des domaines restreints sur le plan sémantique. D’un autre côté, le lecteur obtient des indices sur les capacités “cognitives” de celui qui a produit le texte. N’oublions pas que la production textuelle reste l’outil privilégié de l’évaluation scolaire. L’interprétation d’un même texte sera alors différente non seulement selon les connaissances possédées sur le domaine traité, mais aussi selon les croyances que l’on a sur le producteur du texte du point de vue de ses capacités.
Une mediatisation de l’evaluation par la representation du texte
7L’ensemble des considérations précédentes nous amène à proposer à titre suggestif un modèle général et quelques hypothèses de travail. Le modèle pose classiquement que l’évaluation du texte artificiel, autrement dit l’attribution d’une valeur à ce texte, sera médiatisée par la représentation du texte. Celle-ci se construit selon, d’une part, la prise d’informations sur le texte lui-même et, d’autre part, l’activation de théories implicites concernant le producteur du texte. Une contrainte supplémentaire est apportée par les exigences de la tâche elle-même : le contexte dans lequel elle est réalisée, ses finalités, etc. Les évaluations successives amènent bien sûr à des inférences sur les capacités du système et modifient la représentation du producteur du texte, homme ou machine.
Schéma 1. Modèle minimal de l'évaluation d'un texte selon son origine humaine ou artificielle

8Quelle que soit la cible du jugement, homme ou machine, nous supposons que l’évaluation appelle des habiletés développées dans le cadre du jugement social. Autrement dit, nous prenons le parti d’une faible spécificité des processus d’évaluation d’un texte artificiel et “naturel”. Nous avancerons des écarts sur le plan de la structure et du contenu des connaissances.
9En ce qui concerne la structure des connaissances, la quantité et l’organisation des connaissances concernant l’homme et les jugements sociaux l’emportent sur les connaissances disponibles à propos des machines et des programmes. Cette dissymétrie en terme de complexité induit des effets intrinsèques relatifs aux comparaisons entre textes humains et artificiels.
10En ce qui concerne le contenu des théories implicites, l’évaluateur peut s’appuyer sur un présupposé de supériorité cognitive de l’homme sur la machine, spécialement dans le domaine du langage. Les performances attestées des machines actuelles légitiment ce point de vue. La représentation des réponses humaines réfère à une identité phénoménologique de la personne caractérisable par une cohérence en termes de personnalité, d’intentions et de capacités mentales. Une telle représentation intégrée n’est pas accessible pour une machine sauf à observer un anthropomorphisme radical. Nous avons volontairement mis de côté les aspects motivationnels et normatifs alors même que les questions posées ici renvoient directement à des systèmes de valeur et plus généralement à l’image culturelle de l’homme. Du point de vue idéologique, il faut toutefois noter le caractère polémique de la proposition selon laquelle l’homme peut être simulé dans ce qu’il a de plus spécifique comme l’intelligence ou le langage et rapporté par là à des principes mécanistes (Deconchy, 1991).
11Le principe de l’investigation permettant de tester la validité d’un tel modèle est simple, il consiste à soumettre au jugement un même texte en faisant varier de manière systématique son origine, humaine ou artificielle. Les propriétés intrinsèques du texte seront elles-mêmes contrôlées. Les biais recueillis lors de l’évaluation seront les indicateurs du mode de traitement de l’information textuelle. Ces travaux expérimentaux visent à identifier quelques processus de base relatifs à l’identification de l’origine artificielle d’un texte. Nous présenterons une synthèse de deux recherches expérimentales menées à l’Université Paris X. La première traite directement de l’origine artificielle d’un texte et de ses effets sur la valeur attribuée à ce texte. La seconde intéresse l’évaluation de la compréhension d’un texte par un programme.
Evaluation d’un recit en generation automatique : l’ancrage dans la comparaison homme-machine
12Un premier travail (Meyer et Anis, 1992) visait à établir directement l’effet de l’attribution d’une source artificielle à un texte. L’hypothèse portait directement sur les effets d’une dissymétrie des connaissances relatives à l’homme et à la machine. Une attention particulière a été portée à la comparaison implicite posée par l’origine artificielle d’un texte. En effet, donner à évaluer un texte artificiel revient à le mettre implicitement en rapport avec les productions humaines. Cette comparaison implicite doit être contrôlée. Si le point de référence d’une comparaison est généralement le plus disponible et le plus familier (Holyoack et Gordon, 1983) on devrait observer qu’un texte artificiel est plus proche d’un texte humain (l’homme est le point de référence) qu’un texte humain n’est proche d’un texte artificiel (l’homme n’est plus le point de référence). La méthode utilisée pour tester cette hypothèse d’assymétrie dans la comparaison homme-machine était la suivante.
13Un récit de 104 mots a été choisi dans un corpus de génération automatique (Balpe, 1986). Le texte présente une structure narrative typique amorçant une histoire qui met en scène un personnage situé dans un environnement physique. Dans une première condition, le récit est présenté comme une production artificielle issue d’un programme informatique. Dans cette condition, le texte est donc implicitement comparé avec les productions humaines. Dans une seconde condition, le texte était présenté comme écrit par une personne adulte identifiée. Cette dernière condition était divisée en deux selon que la finalité de l’évaluation était de comparer le texte soit avec des productions d’autres personnes (condition témoin), soit avec une production artificielle. La qualité du texte a été systématiquement variée du double point de vue sémantique (cohérence textuelle – substitution d’un mot par un autre qui le suit dans le dictionnaire-) et formel (erreurs de surface – fautes d’orthographe notamment –). Dans la version la meilleure (version originale), le texte comprenait par exemple la phrase suivante : “Pourtant cette année là, le printemps fut particulièrement gai, les pinsons gazouillaient partout dans les branches”. Dans la version la plus dégradée (mauvaise cohérence et mauvaise forme), la phrase devenait : “Pourtant cette année là, le printemp fut particulièrement gaie, les piolets gazouillaient partout dans les brandades”. Au total douze (3*2*2) conditions étaient comparées. Les sujets au nombre de 268 étaient des étudiants peu acculturés à l’informatique. Leur tâche consistait dans une première étape à lire le texte puis à évaluer la qualité du texte à l’aide d’un questionnaire et dans une seconde étape à souligner dans le texte les parties défaillantes qui demandaient une révision. Le caractère plausible de la production artificielle de texte de haut niveau a été prétesté par des entretiens.
14Les résultats montrent que les différences de qualité du texte sont bien perçues par les sujets mais la mention d’une origine artificielle déplace les évaluations principalement pour les textes de bonne qualité. Seule la qualité formelle des textes est discriminante selon l’origine du texte alors que la cohérence sémantique ne l’est pas. Le principal résultat obtenu met en avant l’importance du point d’ancrage dans la comparaison homme-machine. Celui-ci prédit mieux les écarts d’évaluation que la seule origine, humaine ou artificielle, du texte. Les sujets effectuant une appréciation globale du texte au moyen de cinq couples d’adjectifs : confus/clair, incohérent/cohérent, incorrect/correct, imprécis/précis, incompréhensible/compréhensible, il apparaît que le même texte de bonne qualité formelle présenté comme “artificiel” est significativement valorisé par rapport à un texte “humain” (condition témoin). Toutefois, le même récit d’origine humaine est survalorisé par rapport à la condition origine artificielle s’il est présenté comme devant être comparé à une production artificielle. Si la qualité formelle se dégrade, les différences s’inversent mais les écarts selon les origines sont atténués. Enfin, l’activité de révision est mesurée par le nombre de mots identifiés comme incorrects. Les résultats obtenus dans le cas où une production d’origine humaine est comparée à une production artificielle sont encore singuliers comme l’indique la figure 1 ci-dessous.
Figure 1. Nombre de mots identifiés comme incorrects selon l'origine (homme vs. machine) et la qualité formelle (F+/F-) du récit

15Pour la version du texte de bonne qualité formelle (F+), le texte d’origine humaine mais devant être comparé à une machine (hM) est plus corrigé que toutes les autres conditions : origine artificielle (mH) ou condition témoin (hM). A l’inverse si la qualité formelle est médiocre (F -), ce texte d’origine humaine mais devant être comparé à une machine sera le moins corrigé. Autrement dit l’origine artificielle valorise le texte tant qu’elle est mise en regard d’une production humaine qui reste le point de référence de la comparaison. Prendre la machine comme point de référence engage des comportements de sur ou de sous-correction selon la qualité du texte.
16Sur un autre plan, les parties du récit traitant d’états mentaux, sentiments et intentions du personnage, sont relativement dévalorisées dans le cas d’une origine artificielle, comme si le sujet avait délimité non seulement le niveau de connaissances mais également le type de connaissances que peut traiter un programme informatique. Au total, pour un même récit, la source du texte et la comparaison implicitement suscitée par la tâche entraînent bien des modulations non seulement dans l’évaluation mais aussi dans l’activité de révision. L’interaction avec la qualité formelle du texte atteste que les propriétés du texte sont bien prises en compte dans la construction d’une représentation cohérente du texte.
Evaluation de la comprehension de texte par une machine : l’implicite de la superiorite humaine
17Demander à une personne de répondre à des questions posées sur un texte est un moyen pragmatique de s’assurer qu’elle a compris le texte. L’investigation porte directement sur ce niveau : l’évaluation de la compréhension de texte. Une série de réponses, d’origine humaine ou artificielle, à des questions posées sur un texte-cible est soumise à l’évaluation. Ces réponses devraient fournir un moyen plus direct de tester la manière dont l’évaluateur fait des inférences à propos des capacités de la personne ou du système. La méthode utilisée dans cette seconde expérience est la suivante.
18Un récit court ou texte-cible de 155 mots a été construit sur la base de la description d’un objet, en l’occurrence une roue de secours, et d’un épisode entre personnages impliquant cet objet. La tâche consistait à évaluer une série de réponses à des questions posées sur un texte-cible. Ces réponses étaient, d’une part, quatre réponses à des demandes de paraphrases d’extraits du texte–cible (P), et d’autre part, quatre réponses à des questions sur le texte–cible (Q). La qualité de ces réponses (P et Q) était variée (bonne ou mauvaise qualité). Prenons comme exemple la première demande de paraphrase. Elle porte sur l’extrait suivant : “En particulier, elle doit être gonflée à une pression suffisante”. La réponse de type paraphrase à évaluer est : “Notamment, elle doit être menée à une pression adéquate” dans la version de bonne qualité ou “Éventuellement, elle doit être compressée à un niveau de base” dans la version mauvaise de qualité. La première question sur le texte-cible (la plus simple) est “Comment s’appelle la partie rigide de la roue ?”. La réponse de bonne qualité est “la jante”, la réponse de mauvaise qualité : “le pneu”.
19Le contenu des questions (P et Q) était contrôlé selon leur niveau. Les réponses sous forme de paraphrases sont supposées moins pertinentes du point de vue de l’évaluation de la compréhension que les réponses à des questions ouvertes. Le texte source était systématiquement varié du point de vue de sa cohérence, deux versions différentes ayant été construites selon l’ordre des paragraphes. Au total seize (2*2*2*2) versions du texte étaient comparées. Les sujets au nombre de 332 étaient des étudiants peu acculturés à l’univers informatique.
20Les résultats montrent que les sujets identifient bien le niveau des réponses de manière différenciée selon la source. Ainsi des réponses de bas niveau ou de type paraphrase sont dans l’ensemble survalorisées si elles sont d’origine artificielle quelle que soit leur qualité (cf. figure 2)
Figure 2. Évaluation des quatre paraphrases selon l’origine (homme vs. machine) et la qualité (P+/P-) des paraphrases

21Les réponses de plus haut niveau ou réponses à des questions sur le texte sont plutôt dévalorisées si elles sont d’origine artificielle par rapport aux mêmes réponses d’origine humaine sauf si toutes les réponses sont de très bonne qualité. En même temps, les réponses à des demandes de paraphrase sont estimées moins pertinentes pour établir si le texte a été “compris” que les réponses aux questions sur le texte et elles font d’ailleurs moins l’objet de différenciation des réponses pour chaque sujet que ces dernières. Pour le critère jugé donc le plus pertinent (réponses aux questions) du point de vue de la compréhension du texte, les différences se réduisent et sont dans l’ensemble favorables aux réponses humaines. L’implicite d’une supériorité cognitive de l’homme se traduit bien dans l’évaluation. Remarquons cependant la survalorisation de la machine dans le cas d’une bonne qualité des réponses (bonnes paraphrases et bonnes réponses aux questions) et la dévalorisation qui se manifeste si un défaut apparaît.
22L’examen de la séquence des huit évaluations successives portant sur les réponses à des demandes de paraphrases puis sur les réponses aux questions permet d’approcher de manière plus dynamique la construction d’une représentation. L’évaluation des réponses humaines manifeste à l’inverse une plus grande intégration des évaluations entre elles : par exemple une bonne réponse précédant une mauvaise réponse est survalorisée (effet de contraste). A l’inverse, les réponses artificielles sont évaluées de façon quasi-indépendante les unes par rapport aux autres. Les performances de la machine font l’objet d’une évaluation de type item par item avec peu ou pas d’intégration des réponses successives. Dans cette condition, les sujets semblent par ailleurs plus tenir compte du texte-cible (effet de l’ordre des paragraphes) que dans le cas d’une source humaine. Ils sont plus près des données textuelles disponibles, texte-cible et réponses, que pour l’homme. Comme nous l’avons suggéré, ces résultats pourraient s’interpréter comme un cas particulier de l’expertise dans le domaine social. Les sujets ont des connaissances plus complexes et plus disponibles pour l’homme que pour la machine. Ils lisent donc les réponses de manière plus globale s’il s’agit d’un homme en intégrant leurs évaluations successives dans une représentation cohérente d’une personne singulière qui répond à des questions. Cette cohérence peut être identifiée comme un élément d’une théorie implicite de l’esprit humain. Cet écart est vraisemblablement augmenté par la finalité même de l’évaluation selon que celle-ci est dirigée vers une personne ou vers un dispositif technique. Le fonctionnement de la machine ou si l’on veut l’“esprit artificiel” serait en quelque sorte perçu comme plus modulaire et plus rigide à l’instar des observations classiques faites dans le domaine du dialogue homme-machine (Kennedy et al., 1988). Le dispositif minimal que nous avons utilisé retrouve des résultats habituellement observés dans des situations plus complexes de dialogue interactif (Falzon, 1990).
23Pour le besoin de l’analyse, le principe est souvent retenu d’indifférenciation entre l’homme et la machine considérés comme deux systèmes formels de traitement de l’information (De Montmollin, 1983). Pour autant, l’évaluateur d’un texte artificiel, ou réputé tel, s’appuie sur un principe de dissymétrie entre les productions et les capacités humaines et artificielles. L’évaluateur élabore activement une représentation du système auquel il est confronté, mobilise des connaissances qui vont largement au delà des données textuelles disponibles. Les résultats que nous avons obtenus attestent du rôle important des représentations des capacités du système et des croyances qui lui sont attachées. Les biais de l’évaluation, obtenus par l’indication d’une source artificielle, suggèrent la médiation d’une théorie de l’“esprit” artificiel qui qualifie les capacités “cognitives” et sémantiques du système. Le modèle que nous avons proposé est minimal, il induit déjà cependant suffisamment d’interactions entre des niveaux différents pour établir que nos observations peuvent être modulées par des dimensions nombreuses : nature de la tâche, type et qualité de l’information textuelle, connaissances préalables du domaine, etc.
Applications et enjeux psychosociaux
24Les résultats rapportés constituent en eux-mêmes un test direct de l’acceptabilité de textes “artificiels”. Nous avons montré que l’origine artificielle, alléguée ou non, n’est pas inerte du point de vue de l’évaluation. La diffusion des applications de la génération automatique s’accompagne déjà de jugements de valeur d’autant plus intéressants que les représentations associées à la création de texte sont particulièrement denses autour de la figure littéraire de l’Auteur. Tel programme de création automatique de slogans publicitaires est ainsi déjà vanté du point de vue de son automaticité ou quand l’argument ne porte pas comme un simple outil à l’usage de personnes particulièrement créatives qui resteront donc les véritables auteurs. Les applications de la génération automatique étant multiples, on ne pourra les envisager que par rapport à une activité précise pour laquelle ils ont une valeur opératoire. Par exemple, les diagnostics automatiques délivrés sous forme de texte (conseil professionnel, tests psychotechniques, etc.) peuvent paraître plus fiables lorsqu’ils sont le fait d’experts humains. À long terme, ces messages d’origine artificielle contribueront à modifier l’environnement symbolique humain.
25Obtenus dans un cadre provoqué pour les besoins de la recherche, ces résultats intéressent plus largement le domaine de la communication homme-machine (Johnson, 1992). D’un point de vue ergonomique, l’importance de l’élaboration par l’opérateur d’une représentation mentale claire et cohérente du système (Eason, 1991) est depuis longtemps reconnue. Une des conditions de cette cohérence est que l’opérateur puisse facilement évaluer le niveau des réponses et par là inférer les connaissances de la machine et anticiper ses réponses. Les recherches évoquées précédemment suggèrent qu’une trop grande proximité formelle avec des réponses humaines, un anthropomorphisme naïf, risquerait manifestement de perturber cette évaluation si cette proximité n’est pas en rapport avec des capacités réelles. Du point de vue du système lui-même l’objectif d’une véritable coopération homme-machine oblige à proposer que la machine elle-même dispose d’une représentation dynamique de l’utilisateur (Cahour et Falzon, 1991). A cette condition, il est possible d’adresser à l’utilisateur des messages pertinents par rapport à ses besoins et au niveau de ses connaissances. De tels modèles de l’être humain (Hovy, 1992) ne concernent bien sûr que des applications spécifiques et sont finalisés pour une activité particulière comme l’enseignement “intelligemment” assisté d’une langue par exemple.
26La psychologie sociale, en tant que discipline fondamentale, a développé des conceptualisations très élaborées dans le domaine des jugements sociaux et des processus de communication. Il est remarquable de constater la faible porosité conceptuelle vers les domaines d’application du secteur communication homme-machine à un moment où les questions affleurent au domaine en portant sur les représentations, les dialogues, l’influence, etc. L’interaction homme-“machine intelligente” pourrait être une occasion de tester le caractère opérationnel de concepts issus de la recherche fondamentale, comme ce secteur apporte lui-même des modèles et des problèmes pertinents pour la psychologie sociale. Si, comme nous l’avons présupposé, l’expertise en matière de jugement social est à l’œuvre chaque fois qu’il s’agit d’évaluer les réponses d’un système intelligent, cette contribution permettra en particulier de mieux caractériser la spécificité ou la non-spécificité des connaissances utilisées dans les activités en interaction avec des machines “intelligentes”. Un premier enjeu est donc de contribuer positivement à un secteur qui bénéficie largement de l’interaction entre disciplines (informatique, psychologie, linguistique, ergonomie, etc.). Même si, ici comme ailleurs, le chemin qui conduit de la recherche appliquée aux applications concrètes est difficile. Un second enjeu concerne les conséquences sociales et psychologiques de l’utilisation d’outils qui manipulent les connaissances. De ce point de vue, il faut sans doute lire les résultats que nous avons évoqués comme une manifestation de la liberté de l’utilisateur devant l’outil..
Notes de bas de page
1 L’ensemble des recherches présentées ici ont été menées en collaboration avec Jacques Anis (Centre de Recherches Linguistiques, Université Paris X Nanterre).
Auteur
ORCID : 0000-0003-1441-3781
Université Paris X
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
À quoi sert aujourd'hui la psychologie sociale ?
Demandes actuelles et nouvelles réponses
Gérard Guingouain et François Le Poultier (dir.)
1994
Psychologie sociale et formation professionnelle
Propositions et regards critiques
Jacques Py, Alain Somat et Jacques Baillé (dir.)
1998
La maîtrise du langage
Textes issus du XXVIIe symposium de l’Association de psychologie scientifique de langue française (APSLF)
Agnès Florin et José Morais (dir.)
2002
L'apprentissage de la lecture
Perspectives comparatives
Mohamed Nouri Romdhane, Jean Emile Gombert et Michèle Belajouza (dir.)
2003
Réussir à l'école
Les effets des dimensions conatives en éducation. Personnalité, motivation, estime de soi, compétences sociales
Agnès Florin et Pierre Vrignaud (dir.)
2007
Lire-écrire de l'enfance à l'âge adulte
Genèse des compétences, pratiques éducatives, impacts sur l'insertion professionnelle
Jean-Pierre Gaté et Christine Gaux (dir.)
2007
L’apprentissage de la langue écrite
Approche cognitive
Nathalie Marec-Breton, Anne-Sophie Besse, Fanny De La Haye et al. (dir.)
2009
Musique, langage, émotion
Approche neuro-cognitive
Régine Kolinsky, José Morais et Isabelle Peretz (dir.)
2010