chapitre 9 Conclusion

9-2.3 Une réinterprétation du statut épistémologique des modèles "IA"

Nous allons d'abord résumer brièvement quelques modélisations, utilisées en sciences politiques ou en informatique, de systèmes (y compris des systèmes intentionnels comme le décideur). Nous nous faisons l'avocat d'une réorientation "pragmatique" du type "Some things go for some things". Ce qui compte le plus est l'utilité d'une approche par rapport à une problématique, mais pour qu'une approche soit utile, il est impératif de savoir quel type de connaissance elle permet de gérer. Un modèle n'est finalement qu'un outil pour communiquer un savoir et c'est dans ce sens qu'il faut interpréter et valider un modèle.

Ci-dessus nous esquissons les propriétés de cinq types de modélisations que nous avons rencontrées dans les chapitres précédents. En science politique, deux visions sur la modélisation dominent: les (1) modélisations des systèmes dynamiques et (2) les modèles de choix rationnel. En intelligence artificielle appliquée, deux approches semblent dominer le "marché", (3) les systèmes expert et (4) les nouveaux "knowledge tools". Finalement, (5) la modélisation cognitive en science politique s'inspire des travaux de la psychologie de l'information.

(1) La modélisation de systèmes dynamiques est populaire, par exemple, en recherche opérationnelle, dans les études stratégiques ou l'écologie (par ex. Meadows 82). Le "paradigme" de modélisation que l'on retrouve le plus souvent est le suivant (cf. Paul et Thomas 94):

Il existe un problème dans le monde réel qu'il faut modéliser
Ce problème est formalisé par un langage semi-formel (souvent des graphes) ou formel (par exemple des équations)
Le modèle "logique" est traduit dans un modèle d'ordinateur
Il est testé et "vérifié" (ajustement de paramètres par exemple)
Le modèle est ensuite utilisé pour décrire une situation, tirer des conclusions, faire des prédictions, etc.

(2) Les modèles de choix rationnel (par ex. Ordeshook 92) populaires en politique publique ou en relations internationales n'ont que rarement cet ancrage empirique. Voici le "paradigme" le plus souvent rencontré:

On définit une situation typique de choix (avec ou sans l'intervention d'agents coopératifs ou antagonistes)
Cette situation est formalisée par un modèle mathématique fondé sur un modèle d'optimisation d'utilité individuelle.
Le résultat du modèle est présenté comme une sorte de constante dans un univers de choix rationnel.

(3) Le "paradigme" qui semble dominer le domaine des systèmes expert (par ex. Wielinga 92): est le suivant:

Il existe un jeu de connaissances (implicite) dans le monde qu'il faut modéliser
Un ingénieur-cognicien extrait et formalise ces connaissances avec la participation plus ou moins active des intéressés (surtout des "experts")
Le "modèle" est implémenté sur ordinateur, testé et révisé et mis à disposition des utilisateurs

(4) Le nouveau paradigme des "knowledge tools" (par ex. Clancey 93) met plus l'accent sur l'utilisateur d'un "modèle":

Il existe un problème flou pour lequel il faut trouver un instrument de représentation et de manipulation.
En étroite collaboration avec l'utilisateur, un ingénieur-cognicien développe un outil pour représenter et manipuler les informations associées à un domaine de problème
L'utilisateur a recours à cet outil pour visualiser l'information et pour en extraire de nouvelles informations

(5) La modélisation cognitive en science politique (par ex. Donald Sylvan 89) s'inspire surtout du paradigme de la psychologie de l'information:

Il existe un phénomène qu'il faut modéliser
Un chercheur en science politique (parfois en collaboration avec des informaticiens) formalise le domaine.
Le modèle est porté sur ordinateur, testé et fréquemment révisé. Il sert surtout à décrire un phénomène.

On peut caractériser ces cinq approches

selon plusieurs axes comme dans la figure 9-2. Nous proposons un nouveal idéal-type que nous appelons "knowledge-oriented" et que nous esquisserons dans la section 9-2.5 "`Knowledge oriented modelling'" [p. 354].

Suite aux problèmes mis en évidence dans le domaine du génie cognitif et suite au glissement du paradigme vers les "outils de connaissance" (angl. "knowledge tools", voir Paul 94), on peut affirmer en tout cas deux choses:

On ne peut pas définir un problème de recherche complexe de façon précise*1. Un des exercices principaux de la modélisation est de le définir (si possible en interaction avec les sujets étudiés)

La formalisation n'est pas simple, beaucoup d'éléments ne peuvent pas être formalisés. Ainsi tout modèle nécessite l'appui de théories verbales riches (et nécessairement floues).

Le modèle sert avant tout de médium de communication du problème*2 suivant le principe que la vérité scientifique est une construction intersubjective, sujette à argumentation. Il s'agit d'une base de données intelligente à utiliser dans un contexte de recherche ou de pratique plus large. Les modèles multi-modaux serviront à garder l'étendue (angl. "scope") d'un sujet d'étude et à mieux "ancrer" les modèles du décideur individuel dans leur environnement. Notre type idéal de modélisation suit cette "knowledge orientation".

Les données jouent plusieurs rôles dans la plupart des modélisations. Souvent, elles servent à la fois à construire un modèle et à le valider. En ce qui concerne les méthodes pour explorer les processus de décision, il en existe plusieurs, dont l'observation de choix dans des situations expérimentales, l'observation de comportement input-output dans des situations "naturelles", le traçage d'activités de résolution de problème. Toutes ces approches sont intéressantes.

THESE présentée par Daniel Schneider - 19 OCT 94

Generated with WebMaker