Nous allons résumer rapidement les mérites et les
inconvéniants des modèles AI partiels tout en
montrant leur contributions potentielles aux analyses du
récit et celle de sa production et sa réception.
Les modèles que l'on vient de discuter ont contribué
de facon substantielle à l'analyse du flux du
récit, c'est-à-dire l'enchainement logique et temporel des
unités de sens tel qu'il est percu par un récepteur
typique.
En effet les approches de DeBeaugrande et de Lehnert permettent
la représentation assez simple (en comparaison
d'un modèle AI complet) et élégante du déroulement des
événements.
Toutefois il demeurent des problèmes.
On citera parmi eux l'intégration de ces
représentations à d'autres structures de représentation
cognitive.
On notera également l'indécision quant à leur frontières.
Faut-il traiter autant d'information que possible dans ces modèles
où est-il préférable de travailler avec plusieurs
modèles.
Soulignons aussi que
ces modèles ont besoin d'une mise à l'epreuve plus
systématique.
Il faudra peut-être faire des changements au niveau des
liens causaux ou encore revoir la définition des éléments
primaires d'analyse.
Il faudrait en outre des
règles de production de récit (comme celles de
DeBeaugrande) et des mécanismes de compréhension de récit
plus opérationels.
La facon dont ils permettent l'élaboration d'un
réseau n'est pas très claire.
Ainsi il faudrait impérialement développer d'autres
d'heuristiques de codage,
même non formelles.
Finalement, aujourd'hui la plupart des chercheurs s'accordent
pour dire qu'il existe des structures de savoir "supérieures"
qui guident la comprehension "bottom-up".
Un récepteur n'évalue pas toujours toutes les significations
possibles d'un élément du récit, mais il l'insère
dans une structure plus globale, elle-même divisée en
sous-structures comme par exemple les unités complexes de
l'intrigue de Lehnert.
Ceci dit que ce type d'analyse bâti sur l'analyse de la
"micro-structure" du récit ne pourra jamais représenter un
modèle complet de la représentation d'un récit (ou même
d'analyse de contenu).
Souvent un récepteur utilise sa connaissance
extensive des plans, structures de buts, scénarios (scripts),
cadres ("frames"), thèmes, etc. pour comprendre un
texte.
Il serait également possible d'utiliser de telles structures
dans des modèles simples et partiels de traitement du
récit.
On pourrait même les intégrer dans une représentation
bâtie sur un réseaux de transition.
Ceci serait un achèvement méthodologique important, car
ces structures "supérieures de savoir" permettent la
formalisation du savoir sur le monde du récit que
possède chaque producteur ou récepteur.
Un premier pas vers l'incorporation
partielle des activités de résolution de problème a déjà
été fait.
Lehnert par exemple utilise le lien "achievement" (a) pour
representer la relation entre un but et un état dans le
futur, et les relations "m" et "e" pour de coder les liens
entre buts.
Un autre défaut de ces modèles réside dans la pauvreté
de la description des rapports
entre le contenu d'un noued, de son type,
et des connecteurs qui lient les noeuds.
Il est clair par exemple que les connections "purpose" (pu) ou
"motivation" (m) ne s'appliquent qu'à certains contenus et
qu'a certaines combinaisons de noeuds.
Ces quelques questions montrent que le problème majeur de
l'analyse de texte en intelligence artificielle est celui de
la représentation.
En conséquence certains chercheurs ont préfé d'abord travailler sur
l'élaboration d'un modèle complet de
représentation formelle du texte avant de se
lancer à l'analyse de longs textes ou encore à des
questions spécifiques comme l'extraction de structures plus causales.
Cependant, etant donnée la compléxité de la tâche, il
n'y aura pas de modèle très général de traitement de
récit dans le proche avenir.
Comme on est intéressé en sciences sociales a avoir des
techniques et modèles qui peuvent s'appliquer d'une facon
relativement rapide à une grande quantité de textes, il
faudra avoir recours encore longtemps sur des modèles
simplifiés.
Mais toutefois
les incertitudes de codage ont montré la nécessité
d'élaborer au moins un meilleur mode d'emploi des modèles
qui existent.
Finalement il est clair que les modèles
cognitifs de traitement de texte utilisés comme méthodes
d'analyse de texte doivent être adaptés à nos besoins.
Développer le type des connecteurs et des noeuds, et
définir leur exacte
utilisation sont des tâches à effecteur empiriquement.
Il en va de même pour les théories de
production et de réception de narrations politiques.