chapitre 4 La modélisation des processus cognitifs

4-2.1 Introduction: Opérateurs mentaux et heuristiques

Un domaine d'actions potentielles, aussi appelé domaine du problème est défini par un ensemble de faits possibles et par l'ensemble des opérateurs applicables. Puisque nous possédons des connaissances sur nos connaissances, c'est-à-dire des méta-connaissances, les opérateurs d'un domaine de problème peuvent devenir les faits pour un autre domaine. Un domaine de problème est un objet artificiel dans le sens où il est perçu et défini subjectivement par le décideur ou le chercheur, par exemple selon des critères de "clustering" ("mettre ensemble ce qui se ressemble").

Dans la section 2-1 "Le paradigme émergent des sciences cognitives" [p. 14], nous avons présenté la connaissance heuristique comme un élément central de l'action humaine. On fait souvent référence au concept de connaissances épistémiques (mémoires sémantiques et épisodiques). Elles produisent l'image du domaine du problème. Le savoir-faire ou la mémoire de l'action tombe en règle générale dans une autre catégorie analytique de la psychologie de l'information. Les connaissances heuristiques générales font partie de cet ensemble *1 assez mal étudié en psychologie (cf. Richard 90:71).

Le mot heuristique connaît en règle générale deux significations: Une heuristique est une méthode pour résoudre un problème. Alternativement, une heuristique est une méthode floue pour résoudre un problème pour lequel il n'existe pas de solution programmée. En politique, ces deux définitions se confondent pratiquement, puisqu'il existe peu de problèmes ayant des solutions toutes faites. Toutefois, il faut distinguer entre la mémoire heuristique qui contient tout le savoir-faire à partir d'un certain niveau de généralité et les heuristiques qui représentent la catégorie la plus importante de savoir-faire humain. Il existe des heuristiques à de multiples niveaux de généralité, dont quelques heuristiques de base. L'heuristique la plus simple que l'on puisse s'imaginer est terriblement inefficace mais innovatrice: il s'agit du comportement d'essai-erreur au hasard. Une méthode presque tout aussi simple consiste à appliquer systématiquement au problème tous les opérateurs utilisables. Ces méthodes sont, bien sûr, inutilisables et il existe un grand nombre de connaissances (heuristiques) pour choisir des heuristiques appropriées à un problème.

A des fins analytiques, on peut postuler l'existence d'une heuristique simple et universelle

pour choisir des heuristiques. Nous avons simplifié un schéma que l'on retrouve chez Dörner (79:48) dans la figure 4-2 "L'heuristique des heuristiques" [p. 114]: on part de l'idée que beaucoup de problèmes ont un nom, c'est-à-dire qu'on peut les identifier par rapport à un prototype ou une classe abstraite. Souvent, il existe des recettes fixes pour s'attaquer à un problème et si c'est le cas, elles sont utilisées. S'il n'existe pas de plan fixe (étape 1) pour cette catégorie de problèmes, il faut engendrer une description plus exacte du problème (2) qui permet de mieux choisir une heuristique (3). Si on en trouve une, elle sera appliquée (4) et son succès sera évalué (5). Sinon (6), il faut essayer soit d'en construire une autre (a), soit de reformuler le problème en d'autres termes (b), soit d'appliquer une heuristique moins puissante, mais plus générale (c), soit de sélectionner l'heuristique suivante si l'on se trouve à l'intérieur d'une macro-heuristique qui suggère d'utiliser plusieurs heuristiques les unes après les autres (d). La stratégie qui pousse à reformuler un problème est souvent rencontrée en politique. En règle générale, elle permet de substituer au problème un sous-problème qui sera plus facile à régler. Par exemple, on réduit les problèmes de conjoncture à un problème monétaire. L'inverse, la substitution d'un problème par un problème supérieur est aussi possible. Par exemple, pour diminuer le chômage, on essayera de stimuler l'économie dans son ensemble.

Nous avons introduit la distinction entre les connaissances heuristiques et les connaissances épistémiques, ainsi que la distinction entre compétence heuristique de résolution de problèmes et épistémique. Ces distinctions sont un peu artificielles étant donné que le savoir-faire est toujours couplé au savoir sur les objets. Parfois, il est même difficile de distinguer entre une fraction de connaissance sur le monde et une fraction de connaissance abstraite qui permet de résoudre un problème. La définition de "connaissance heuristique" n'est pas partout la même dans la littérature. Le plus souvent, il s'agit du savoir-faire abstrait (angl. "general problem-solving knowledge"). Cette catégorie analytique ne doit pas être confondue avec les "heuristiques", c'est-à-dire des "morceaux" de connaissances destinés à résoudre des problèmes mal définis.

On a distingué entre deux types de connaissances épistémiques: sémantique et épisodique. Les connaissances sémantiques et les connaissances épistémiques sont fortement connectées aux connaissances heuristiques. Par exemple, une expérience vécue dans le passé peut non seulement servir d'exemple (épistémique) à étudier pour résoudre un cas similaire (méthode heuristique), mais également à abstraire des plans (heuristiques) applicables directement à des situations futures similaires. Ainsi le savoir se transforme en savoir-faire. On pourrait toujours appeler ce type de connaissances "savoir-faire épistémique", mais il a clairement une fonction heuristique. Sans vouloir continuer la discussion, on peut voir facilement la limite de ces frontières catégoriques de la psychologie du traitement de l'information. La mémoire humaine est organisée d'une façon trop connectée pour que ces distinctions soient réalistes, mais elles ont leur valeur analytique. La force de l'intelligence artificielle (IA) est d'avoir montré comment opérationnaliser ces concepts à la fois précis (en termes de définition) et flous (en termes de réalité empirique et de modélisation de pensée). Lorsque nous discuterons plus précisément des systèmes IA, nous travaillerons à un niveau plus détaillé qui utilise une variété de structures de connaissances aptes à remplir la fonction heuristique et épistémique.

Un bon système de représentation des connaissances ne doit pas seulement modéliser la manière d'encoder des connaissances mais également la manière de les utiliser. Ceci implique qu'il nous faut aussi un modèle de la mémoire qui dicte où et comment stocker et comment retrouver une connaissance. Evidemment, ces "comment" peuvent être encodés en partie sous forme de connaissances explicites et manipulables. Donc, dans un modèle, "ce" qui organise une procédure peut tout à fait avoir la forme d'une connaissance que l'on manipule de la même façon que les connaissances statiques. Ainsi la distinction traditionnelle que fait l'informatique entre procédures et données n'existe pas sous cette forme dans la science cognitive. Enfin, dans tous les cas, il nous faut en outre une mécanique, une machine qui applique du savoir-(faire) à du savoir-(faire). Pour les fameux systèmes à bases de règles, ce sont les non moins fameux moteurs d'inférence qui remplissent cette fonction. Dans les systèmes connexionistes (neuronaux), c'est le mécanisme de mise à jour des noeuds du réseau. Nous allons voir de plus près certains de ces mécanismes au fond assez simples, mais puissants grâce aux connaissances qu'ils manipulent, dans les chapitres qui suivent.

Souvent, la littérature (par ex. Chandrasekaran 87) postule un certain nombre d'opérations élémentaires de résolution de problème qui constituent, via des heuristiques intermédiaires (telles que l'unité TOTE déjà rencontrée), les blocs à bâtir des heuristiques. Et on postule, logiquement, que les heuristiques complexes ont été créées à partir d'heuristiques simples. Ainsi, il est important de connaître des opérations cognitives simples, même si leur utilité immédiate pour la modélisation du décideur n'est pas apparente. Par la suite, nous allons approfondir le modèle de Dörner et montrer quelles sont les heuristiques les plus importantes qu'il faut connaître pour modéliser son décideur dans un environnement complexe.

Generated with WebMaker