chapitre 7 Epistémologie et méthodes de la modélisation IA

7-3.3 Vers les modèles multi-paradigmes

Nous avons montré a plusieurs endroits la tension qui existe entre un idéal de modélisation et le résultat, ou encore entre la prétention théorique d'une approche et la réalité empirique. Un modèle est un compromis. Etant donné que tout modèle sérieux de toute approche épistémologique produit un gain de connaissances ("anything goes"!), il faut choisir un type d'approche en fonction du type de connaissances que l'on veut acquérir avec un modèle, en fonction des ressources, des données à disposition, etc. Il est clair que les fonctions d'évaluation de leur validité interne et externe ne seront pas les mêmes. Chaque démarche épistémologique suit ses propres règles et possède ses propres problèmes qu'il faut connaître et atténuer.

Il nous paraît extrêmement important de savoir tirer avantage de plusieurs types de modélisations au lieu de s'enfermer dans des guerres de tranchées. Ces guerres ont certainement leur utilité car elles permettent de faire évoluer les paradigmes. En ignorant les critiques des autres, on diminue énormément la complexité d'un problème, et au bout d'une décennie une grande victoire de l' "adversaire" force quand même à adapter ses stratégies. Toutefois, une meilleure coopération entre les paradigmes de l'analyse systémique, de l'intelligence artificielle, des sociologies "subjectives" à la Weber, de la psychologie d'information, etc. serait bienvenue dans le cadre de displines-tiers qui utilisent leurs techniques. L'analyse du décideur politique nous semble être un cas exemplaire pour le multi-paradigmatisme. En effet, ce qui nous intéresse, c'est l'augmentation de nos connaissances, et pas la méthode en soi. Examinons quelques avantages de la modélisation IA et comment ils s'intègrent à d'autres approches:

Proximité empirique, structurelle et fonctionnelle avec le sujet modélisé: En science politique, une distance et un degré d'abstraction plus élevés sont nécessaires pour garder une certaine généralité et aussi pour ne pas se perdre dans des détails qui rendent impossible l'aboutissement de la recherche. Ainsi nous pensons que les techniques utilisées pour les systèmes expert sont plus adaptées à nos besoins que des modèles plus sophistiqués mais plus difficiles à manier. Il est important qu'un modèle reste inspectable, extensible et contrôlable.
Par contre, il devient parfois utile d'abandonner la méthode IA. Ainsi dans les sections 6-2 "La modélisation de l'environnement" [p. 227] et 6-3 "La modélisation d'objets et d'acteurs" [p. 243], nous avons montré l'utilité des méthodes plus simples et plus abstraites pour modéliser l'environnement du décideur.
Les modèles IA sont formels et dynamiques, ils sont composés d'objets et de relations ayant une structure syntaxique précise qui modélisent des processus. L'idéal IA veut que toute la théorie soit incorporée dans un système informatique. Là aussi, il faut nuancer. Plutôt que de "fermer" une théorie, il faut accepter l'idée que les théories purement verbales peuvent et doivent compléter un modèle informatique. Même en IA, il existe certaines publications célèbres comme la "society theory of mind" (Minsky 79 et 88) qui n'ont jamais été implémentées sur ordinateur, ne serait-ce que partiellement. Elles ont toutefois eu une influence importante sur la recherche. Une comparaison peut être faite avec les "Nerves of Government" de Deutsch (66) qui était une sorte de précurseur de ce qu'on fera peut-être dans les années 2000 *1. Toutefois, nous pensons qu'il est temps de tenter des modélisations sur une large échelle, qui, à cause du manque de ressources, n'ont pas encore vu le jour en sciences politiques*2.

Les modèles IA nécessitent en principe une compréhension totale du processus à modéliser: la critique de l'IA montre qu'il s'agit ici d'un but trop ambitieux. Il n'y aurait probablement jamais compréhension totale d'un phénomène, entre autre parce qu'un tel modèle devrait être presque aussi complexe que le phénomène lui-même. Etant donné que l'accès aux données est difficile et que les ressources en hommes sont faibles, il faut parfois se résigner à l'utilisation de modèles analytiques. Toutefois, en ce qui concerne la modélisation du décideur, on ne voit pas trop l'intérêt des modèles rationnels empruntés à l'économie. Les travaux de l'école "quasi-rationnelle" (Gallhofer et Saris 79, Karlsson 89, Svenson 79, Kleinmuntz (87), etc.) nous semblent beaucoup plus intéressants. Les modèles analytiques peuvent abstraire ou simplifier au maximum, mais l'adoption de fausses prémisses ne nous semble être utile que dans le cadre de la philosophie politique (par ex. le "public choice", l'analyse contre-factuelle de la théorie des jeux) ou encore dans le cadre de prescriptions normatives (systèmes d'aide à la décision).

Un modèle IA doit être exécutable afin de pouvoir être testé intensivement. Cette caractéristique que l'IA partage avec certaines autres approches nous semble importante. Un modèle sans données (comme il en existe beaucoup dans la théorie du choix rationnel) pose des problèmes car il est difficile d'évaluer sa portée au-delà de la recherche d'idéal-types. Le canal "données - modèle" doit être bi-directionnel, sinon la communication entre chercheurs n'est pas garantie. La faiblesse des modèles IA est leur capacité de prédiction. Il s'agit en effet plutôt de modèles descriptifs ou performatifs, faisant souvent abstraction des principes qui engendrent en profondeur des comportements étudiés. Cette faiblesse n'est pas à notre avis un problème inhérent, mais découle du fait que ce type de modélisation n'en est qu'à ses débuts en science politique.

La plus grande faiblesse de la modélisation IA est sans doute la négligence très fréquente de l'environnement *3 ce qui a provoqué le "symbol grounding problem" (cf. "Le problème de l'ancrage des symboles" [p. 280]). Tout le monde s'accorde aujourd'hui sur l'utilité, voire sur la nécessité de modéliser l'environnement, proposition que nous faisions aussi dans le chapitre 6 "Le décideur, son organisation et son environnement" [p. 223].

Les différentes paradigmes de modélisation permettent de mettre en évidence différents aspects des processus modélisés. Notre position en faveur des modèles multi-paradigme ne découle pas d'une vision "oecuméniste". Tout le monde n'a pas toujours raison. La rivalité entre approches est nécessaire pour leur progrès et celui de l'ensemble. Néanmoins, lorsqu'une approche permet de modéliser de façon plus adéquate un phénomène, il ne faut pas hésiter à l'utiliser dans une modélisation hybride.

THESE présentée par Daniel Schneider - 19 OCT 94

Generated with WebMaker