\u00c0 l’intersection de la psychologie cognitive, de la logique formelle et de l’informatique th\u00e9orique, le raisonnement automatis\u00e9 cherche \u00e0 reproduire, op\u00e9rationnaliser et analyser les processus inf\u00e9rentiels de la pens\u00e9e au moyen de syst\u00e8mes computationnels. En \u00e9clairant la mani\u00e8re dont des r\u00e8gles logiques formelles peuvent \u00e9muler, compl\u00e9ter ou d\u00e9fier les heuristiques de l’esprit humain, ce domaine fournit un miroir \u00e9pist\u00e9mologique fondamental pour explorer les architectures de la cognition humaine et les limites intrins\u00e8ques de la rationalit\u00e9.<\/p>\n
Le raisonnement automatis\u00e9 d\u00e9signe une sous-discipline des sciences cognitives et de l’intelligence artificielle consacr\u00e9e \u00e0 la mod\u00e9lisation formelle et \u00e0 l’ex\u00e9cution m\u00e9canique d’inf\u00e9rences logiques par des agents computationnels. Il vise \u00e0 concevoir des algorithmes capables de d\u00e9river de nouvelles connaissances, de v\u00e9rifier la coh\u00e9rence d’hypoth\u00e8ses ou de d\u00e9montrer des th\u00e9or\u00e8mes \u00e0 partir d’un ensemble de pr\u00e9misses explicites et de r\u00e8gles de transformation syntaxique.<\/p>\n
Dans le domaine de la psychologie cognitive et de la psychologie computationnelle, le terme d\u00e9signe \u00e9galement l’appareil th\u00e9orique et technologique employ\u00e9 pour simuler les op\u00e9rations intellectuelles humaines de d\u00e9duction, d’induction et d’abduction. En transcendant la simple manipulation de symboles, il interroge la congruence entre la logique normative id\u00e9ale et les processus psychologiques effectifs de l’esprit, offrant ainsi des mod\u00e8les formels pour tester des hypoth\u00e8ses sur le traitement de l’information et la prise de d\u00e9cision rationnelle.<\/p>\n
Ce paradigme ne se limite pas \u00e0 la v\u00e9rification statique de d\u00e9ductions math\u00e9matiques formelles ; il englobe l’\u00e9tude dynamique de la r\u00e9solution de probl\u00e8mes, la r\u00e9vision des croyances face \u00e0 l’incoh\u00e9rence, et la formalisation du raisonnement non monotone en situation d’incertitude.<\/p>\n
Le terme \u00ab raisonnement \u00bb d\u00e9rive du substantif fran\u00e7ais \u00ab raison \u00bb, issu du latin ratio<\/em>, qui renvoie originellement aux notions de calcul, de compte, de proportion, puis de facult\u00e9 discursive de juger et d’ordonner la pens\u00e9e. Le suffixe \u00ab -ment \u00bb marque l’action ou le r\u00e9sultat de l’op\u00e9ration intellectuelle. L’adjectif \u00ab automatis\u00e9 \u00bb provient du grec ancien automatos<\/em> (\u03b1\u1f50\u03c4\u03cc\u03bc\u03b1\u03c4\u03bf\u03c2), form\u00e9 de autos<\/em> (soi-m\u00eame) et de la racine *men-<\/em> \/ *mat-<\/em> signifiant penser, s’agiter ou vouloir, d\u00e9signant ce qui agit de son propre mouvement ou s’ex\u00e9cute spontan\u00e9ment.<\/p>\n L’expression anglaise canonique, automated reasoning<\/em>, a \u00e9t\u00e9 vulgaris\u00e9e dans les ann\u00e9es 1960 et 1970 au sein des laboratoires fondateurs de l’intelligence artificielle symbolique, notamment sous l’impulsion de chercheurs comme Larry Wos et Alan Robinson. Elle s’est substitu\u00e9e \u00e0 des formules plus restreintes telles que \u00ab d\u00e9monstration automatique de th\u00e9or\u00e8mes \u00bb (automated theorem proving<\/em>) pour signifier que les m\u00e9canismes computationnels sous-jacents ne s’appliquent pas seulement aux propositions axiomatiques des math\u00e9matiques pures, mais s’\u00e9tendent \u00e0 la logique g\u00e9n\u00e9rale et \u00e0 la mod\u00e9lisation de l’architecture mentale humaine.<\/p>\n En langue fran\u00e7aise, l’adoption du vocable a consolid\u00e9 le pont entre la tradition philosophique de la logique cart\u00e9sienne et l’\u00e9mergence des sciences cognitives francophones, insistant sur le fait que la d\u00e9marche algorithmique formalise une facult\u00e9 cognitive pr\u00e9existante plut\u00f4t qu’un pur artifice m\u00e9canique sans ancrage psychologique.<\/p>\n L’expression \u00ab raisonnement automatis\u00e9 \u00bb est une locution nominale masculine singuli\u00e8re. Sa transcription phon\u00e9tique en alphabet phon\u00e9tique international (API) pour le fran\u00e7ais standard est \/\u0281\u025b.z\u0254n.m\u0251\u0303 o.t\u0254.ma.ti.ze\/ ou \/\u0281e.z\u0254n.m\u0251\u0303 o.t\u0254.ma.ti.ze\/. Le pluriel s’orthographie \u00ab raisonnements automatis\u00e9s \u00bb (\/\u0281\u025b.z\u0254n.m\u0251\u0303 o.t\u0254.ma.ti.ze\/).<\/p>\n Sur le plan morphosyntaxique, le terme est constitu\u00e9 d’un nom noyau abstrait (\u00ab raisonnement \u00bb) qualifi\u00e9 par un participe pass\u00e9 \u00e0 valeur d’adjectif verbal (\u00ab automatis\u00e9 \u00bb). Dans la litt\u00e9rature sp\u00e9cialis\u00e9e de psychologie computationnelle et d’ergonomie cognitive, on le rencontre \u00e9galement sous des variantes lexicales telles que \u00ab inf\u00e9rence computationnelle \u00bb ou, dans un contexte plus pragmatique, \u00ab moteur d’inf\u00e9rence \u00bb. Cependant, \u00ab raisonnement automatis\u00e9 \u00bb demeure le terme standard pour identifier la discipline globale et son objet d’\u00e9tude th\u00e9orique.<\/p>\n Pour la psychologie cognitive, le raisonnement automatis\u00e9 repr\u00e9sente \u00e0 la fois un d\u00e9fi ontologique et un instrument m\u00e9thodologique central. L’esprit humain op\u00e8re continuellement des inf\u00e9rences pour donner du sens \u00e0 des signaux sensoriels \u00e9quivoques, pr\u00e9dire le comportement d’autrui et planifier des s\u00e9quences d’actions orient\u00e9es vers un but. Le raisonnement automatis\u00e9 postule que ces encha\u00eenements cognitifs peuvent \u00eatre d\u00e9compos\u00e9s en transformations d’\u00e9tats informationnels r\u00e9gies par des lois algorithmiques explicites.<\/p>\n Cette approche s’inscrit au c\u0153ur du paradigme computationnel de l’esprit (computational theory of mind<\/em>), popularis\u00e9 par Jerry Fodor et Hilary Putnam, postulant que les processus psychologiques sont essentiellement des op\u00e9rations formelles sur des repr\u00e9sentations symboliques structur\u00e9es. Dans ce cadre, mod\u00e9liser le raisonnement implique deux composantes fondamentales : une ontologie de repr\u00e9sentations (la base de connaissances encodant les faits et les croyances) et un moteur logique (les algorithmes de manipulation de ces repr\u00e9sentations).<\/p>\n La complexit\u00e9 psychologique r\u00e9side dans le gouffre qui s\u00e9pare le raisonnement logique strict de la cognition naturelle. Les \u00eatres humains ne pensent pas uniquement par d\u00e9duction d\u00e9terministe au sein de syst\u00e8mes clos de logique propositionnelle ou du premier ordre. L’esprit humain navigue dans un environnement probabiliste, incertain et incomplet. D\u00e8s lors, le champ du raisonnement automatis\u00e9 s’est \u00e9tendu pour int\u00e9grer des formalismes capables d’\u00e9muler la souplesse psychologique humaine : la logique non monotone (o\u00f9 de nouvelles informations peuvent invalider des inf\u00e9rences ant\u00e9rieures), les logiques modales (manipulant le possible, le n\u00e9cessaire et l’\u00e9pist\u00e9mique) et les mod\u00e8les bay\u00e9siens de mise \u00e0 jour des probabilit\u00e9s subjectives.<\/p>\n En outre, le domaine interroge la dualit\u00e9 entre syntaxe et s\u00e9mantique. Un algorithme de raisonnement automatis\u00e9 manipule des symboles d\u00e9nu\u00e9s de conscience subjective selon des r\u00e8gles d’inf\u00e9rence pr\u00e9cises (telles que le modus ponens<\/em> ou la r\u00e9solution de Robinson). Pourtant, ces manipulations aveugles parviennent \u00e0 pr\u00e9server la v\u00e9rit\u00e9 ou la coh\u00e9rence, soulevant la question fondamentale de l’ancrage des significations dans l’architecture cognitive, un d\u00e9bat directement li\u00e9 au probl\u00e8me de la chambre chinoise de John Searle.<\/p>\n Les racines intellectuelles de l’automatisation du raisonnement s’enracinent dans la philosophie classique. D\u00e8s le XVIIe si\u00e8cle, Gottfried Wilhelm Leibniz con\u00e7oit le projet d’une characteristica universalis<\/em> et d’un calculus ratiocinator<\/em>, r\u00eavant d’une langue universelle de la pens\u00e9e qui permettrait \u00e0 deux philosophes en d\u00e9saccord de s’asseoir et de dire simplement : \u00ab Calculons \u00bb (Calculemus<\/em>). Au XIXe si\u00e8cle, George Boole formalise l’alg\u00e8bre de la logique, affirmant dans son ouvrage de 1854 \u00e9tudier les \u00ab lois de la pens\u00e9e \u00bb qui structurent le fonctionnement de l’intellect humain.<\/p>\n Le tournant op\u00e9rationnel se produit au milieu du XXe si\u00e8cle avec l’essor de la cybern\u00e9tique et des premiers calculateurs \u00e9lectroniques. En 1956, lors de la c\u00e9l\u00e8bre conf\u00e9rence de Dartmouth marquant la naissance officielle de l’intelligence artificielle<\/a>, Allen Newell, Herbert Simon et Cliff Shaw pr\u00e9sentent le Logic Theorist<\/em>. Ce programme est explicitement con\u00e7u non comme une simple machine \u00e0 calculer, mais comme une simulation psychologique du raisonnement humain capable de d\u00e9montrer des th\u00e9or\u00e8mes des Principia Mathematica<\/em> de Russell et Whitehead en recourant \u00e0 des heuristiques proches de celles employ\u00e9es par les math\u00e9maticiens en chair et en os.<\/p>\n Quelques ann\u00e9es plus tard, en 1959, Newell et Simon franchissent une nouvelle \u00e9tape avec le General Problem Solver<\/em> (GPS), qui introduit l’analyse fins-moyens comme mod\u00e8le g\u00e9n\u00e9ral des processus de r\u00e9solution humaine de probl\u00e8mes. Cependant, l’approche heuristique pure est bient\u00f4t compl\u00e9t\u00e9e par des avanc\u00e9es math\u00e9matiques rigoureuses : en 1965, John Alan Robinson propose le principe de r\u00e9solution, unifiant les r\u00e8gles d’inf\u00e9rence en une m\u00e9thode algorithmique unique et \u00e9l\u00e9gante pour la logique du premier ordre. Cette d\u00e9couverte pave la voie \u00e0 la programmation d\u00e9clarative en logique (Prolog) d\u00e9velopp\u00e9e par Alain Colmerauer dans les ann\u00e9es 1970.<\/p>\n Au cours des ann\u00e9es 1980 et 1990, face aux difficult\u00e9s pos\u00e9es par le sens commun humain \u2014 qui g\u00e8re les exceptions sans effondrement logique \u2014, des logiciens et th\u00e9oriciens de la cognition tels que John McCarthy et Raymond Reiter d\u00e9veloppent les logiques non monotones et la th\u00e9orie des d\u00e9fauts. Parall\u00e8lement, l’essor des syst\u00e8mes experts d\u00e9montre le potentiel pratique des moteurs d’inf\u00e9rence pour \u00e9muler l’expertise diagnostique m\u00e9dicale ou clinique, avant que la r\u00e9volution des r\u00e9seaux bay\u00e9siens de Judea Pearl n’impose le paradigme probabiliste au tournant du XXIe si\u00e8cle.<\/p>\n Le raisonnement automatis\u00e9 repose sur des cadres th\u00e9oriques rigoureux reliant la m\u00e9tamath\u00e9matique, la th\u00e9orie de la calculabilit\u00e9 et la psychologie du traitement de l’information. Sur le plan logique, il s’ancre dans les th\u00e9or\u00e8mes de compl\u00e9tude et d’incompl\u00e9tude de Kurt G\u00f6del ainsi que dans les travaux d’Alan Turing sur la d\u00e9cidabilit\u00e9. Ces travaux \u00e9tablissent \u00e0 la fois la puissance th\u00e9orique des syst\u00e8mes logiques formels et leurs limites insurmontables : dans un syst\u00e8me suffisamment expressif (comme l’arithm\u00e9tique ou la logique du premier ordre), il existe des v\u00e9rit\u00e9s ind\u00e9montrables, et le probl\u00e8me de l’arr\u00eat interdit l’existence d’une proc\u00e9dure algorithmique universelle capable de d\u00e9cider en temps fini de la validit\u00e9 de n’importe quelle proposition arbitraire.<\/p>\n En psychologie cognitive, les fondements du raisonnement automatis\u00e9 dialoguent \u00e9troitement avec la th\u00e9orie des syst\u00e8mes duels popularis\u00e9e par Jonathan Evans, Daniel Kahneman et Keith Stanovich. Cette th\u00e9orie distingue :<\/p>\n Le raisonnement automatis\u00e9 classique constitue une tentative d’impl\u00e9mentation algorithmique pure du Syst\u00e8me 2. Il repose sur l’hypoth\u00e8se des syst\u00e8mes de symboles physiques (Physical Symbol System Hypothesis<\/em>) \u00e9nonc\u00e9e par Allen Newell et Herbert Simon, selon laquelle un syst\u00e8me physique de manipulation de symboles poss\u00e8de les moyens n\u00e9cessaires et suffisants pour g\u00e9n\u00e9rer une action intelligente g\u00e9n\u00e9rale.<\/p>\n En r\u00e9ponse aux th\u00e9ories psychologiques du raisonnement \u2014 notamment la th\u00e9orie des mod\u00e8les mentaux de Philip Johnson-Laird (qui soutient que les individus raisonnent en construisant des repr\u00e9sentations analogiques et concr\u00e8tes d’\u00e9tats de fait possibles plut\u00f4t qu’en manipulant des r\u00e8gles d’inf\u00e9rence syntaxiques) et la th\u00e9orie de la logique mentale de Martin Braine \u2014, le raisonnement automatis\u00e9 offre un banc d’essai exp\u00e9rimental pour d\u00e9terminer si des inf\u00e9rences r\u00e9alistes peuvent \u00e9merger de d\u00e9ductions purement syntaxiques ou si elles requi\u00e8rent la simulation s\u00e9mantique de structures spatiales et sc\u00e9niques du monde r\u00e9el.<\/p>\n L’architecture d’un syst\u00e8me de raisonnement automatis\u00e9 s’articule autour de composantes fonctionnelles invariantes et se d\u00e9cline en diff\u00e9rentes modalit\u00e9s d’inf\u00e9rence psychologique :<\/p>\n Un premier exemple embl\u00e9matique r\u00e9side dans le raisonnement diagnostique en psychologie clinique et en psychiatrie. Consid\u00e9rons une ontologie formalis\u00e9e de crit\u00e8res s\u00e9miologiques issus du DSM-5. Un clinicien renseigne une anamn\u00e8se marqu\u00e9e par une humeur d\u00e9pressive persistante, une anhedonie marqu\u00e9e, une asth\u00e9nie s\u00e9v\u00e8re et des troubles du sommeil durant depuis plus de trois semaines. Un syst\u00e8me de raisonnement automatis\u00e9 op\u00e9rant par abduction examine l’espace des troubles de l’humeur, exclut les \u00e9tiologies organiques en v\u00e9rifiant l’absence de pr\u00e9misses incompatibles, et inf\u00e8re l’hypoth\u00e8se diagnostique d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9 tout en recommandant des \u00e9valuations compl\u00e9mentaires pour \u00e9carter un trouble bipolaire d\u00e9butant.<\/p>\n Un second cas illustratif s’observe dans les syst\u00e8mes de tutorat intelligent appliqu\u00e9s \u00e0 l’apprentissage des math\u00e9matiques ou de la logique chez l’adolescent. Un \u00e9l\u00e8ve tente de r\u00e9soudre une \u00e9quation ou une preuve g\u00e9om\u00e9trique complexe mais s’\u00e9gare. Le tuteur intelligent, dot\u00e9 d’un mod\u00e8le computationnel du raisonnement de l’expert et d’une biblioth\u00e8que des biais et erreurs cognitives courantes (les \u00ab conceptions erron\u00e9es \u00bb des apprenants), simule la cha\u00eene de d\u00e9duction de l’\u00e9l\u00e8ve. Le syst\u00e8me identifie pr\u00e9cis\u00e9ment \u00e0 quelle \u00e9tape un transfert d’axiome erron\u00e9 a eu lieu, g\u00e9n\u00e8re un contre-exemple automatis\u00e9 adapt\u00e9 \u00e0 la charge cognitive de l’\u00e9l\u00e8ve, et le guide vers la restructuration de son mod\u00e8le mental sans lui r\u00e9v\u00e9ler directement la solution.<\/p>\n Un troisi\u00e8me exemple concerne la mod\u00e9lisation de la th\u00e9orie de l’esprit chez les agents conversationnels ou les robots sociaux. Pour interagir de fa\u00e7on socialement adapt\u00e9e, la machine doit attribuer des croyances, des d\u00e9sirs et des intentions \u00e0 un interlocuteur humain. \u00c0 l’aide de logiques \u00e9pist\u00e9miques automatis\u00e9es, l’agent calcule non seulement ce qui est vrai dans l’environnement, mais mod\u00e9lise \u00e9galement l’\u00e9tat de croyance de l’utilisateur (par exemple : \u00ab L’humain croit \u00e0 tort que la porte est ferm\u00e9e \u00e0 cl\u00e9 \u00bb). Le syst\u00e8me adapte ainsi son explication verbale afin de corriger sp\u00e9cifiquement la fausse croyance d’autrui, r\u00e9pliquant l’empathie cognitive humaine.<\/p>\n L’\u00e9valuation des syst\u00e8mes de raisonnement automatis\u00e9 mobilise des protocoles empiriques et math\u00e9matiques qui font \u00e9cho aux m\u00e9thodologies de la psychophysique et des tests psychom\u00e9triques standardis\u00e9s :<\/p>\n Sur le versant computationnel strict, les performances sont mesur\u00e9es \u00e0 l’aune de la compl\u00e9tude (le syst\u00e8me est-il capable de trouver une preuve s’il en existe une ?), de la correction ou consistance (les conclusions d\u00e9riv\u00e9es sont-elles invariablement valides et pr\u00e9servent-elles la v\u00e9rit\u00e9 ?), et de la complexit\u00e9 temporelle et spatiale face \u00e0 des bancs de tests standardis\u00e9s, tels que le benchmark TPTP (Thousands of Problems for Theorem Provers<\/em>).<\/p>\n Dans le domaine de la psychologie cognitive et de l’ergonomie, la mesure s’articule autour de la validit\u00e9 \u00e9cologique et de la plausibilit\u00e9 psychologique des raisonnements g\u00e9n\u00e9r\u00e9s. On compare syst\u00e9matiquement les inf\u00e9rences produites par le mod\u00e8le automatis\u00e9 avec celles d’\u00e9chantillons humains soumis aux m\u00eames t\u00e2ches cognitives :<\/p>\n La port\u00e9e op\u00e9rationnelle du raisonnement automatis\u00e9 s’\u00e9tend \u00e0 de multiples domaines appliqu\u00e9s des sciences comportementales, de la sant\u00e9 mentale et des organisations :<\/p>\n En neuropsychologie et en r\u00e9habilitation cognitive, les architectures d’inf\u00e9rence automatis\u00e9e sont int\u00e9gr\u00e9es dans des logiciels d’entra\u00eenement destin\u00e9s \u00e0 des patients atteints de l\u00e9sions c\u00e9r\u00e9brales traumatiques ou de maladies neurod\u00e9g\u00e9n\u00e9ratives. En adaptant dynamiquement le niveau de difficult\u00e9 des d\u00e9ductions requises selon les d\u00e9ficits sp\u00e9cifiques de la m\u00e9moire de travail du patient, le syst\u00e8me personnalise l’\u00e9tayage cognitif de mani\u00e8re optimale.<\/p>\n Dans le domaine de la psychologie des organisations et de la gouvernance \u00e9thique, le raisonnement automatis\u00e9 est sollicit\u00e9 pour v\u00e9rifier la coh\u00e9rence des politiques publiques, des organigrammes manag\u00e9riaux complexes ou des codes d\u00e9ontologiques. Des outils logiques automatis\u00e9s scannent des milliers de r\u00e8gles r\u00e9glementaires pour y d\u00e9celer des contradictions cach\u00e9es, des injonctions contradictoires pathog\u00e8nes pour les \u00e9quipes de travail ou des vides juridiques \u00e9thiquement ind\u00e9sirables.<\/p>\n Dans les interactions homme-machine et les cockpits a\u00e9ronautiques ou industriels, les assistants de raisonnement automatis\u00e9 surveillent la coh\u00e9rence des d\u00e9cisions prises par les op\u00e9rateurs humains sous stress intense. En cas de r\u00e9tr\u00e9cissement du champ attentionnel ou de tunnel cognitif chez le pilote, le syst\u00e8me d\u00e9tecte la contradiction logique entre l’\u00e9tat r\u00e9el des param\u00e8tres de vol et la trajectoire choisie, d\u00e9clenchant des alarmes ou sugg\u00e9rant des contre-mesures pour r\u00e9tablir la conscience de la situation.<\/p>\n La recherche contemporaine explore les convergences et les dissonances entre les moteurs d\u00e9ductifs formels et les architectures neuronales vivantes. L’une des contributions exp\u00e9rimentales majeures provient des travaux de Lance Rips sur la th\u00e9orie de la d\u00e9duction naturelle (Psychology of Proof<\/em>, 1994). Rips a d\u00e9montr\u00e9, \u00e0 l’aide de son mod\u00e8le computationnel ANDS (puis PSYCOP), que les humains r\u00e9solvent des probl\u00e8mes d\u00e9ductifs en d\u00e9ployant des r\u00e8gles formelles d’inf\u00e9rence internes stock\u00e9es en m\u00e9moire \u00e0 long terme, pr\u00e9disant avec une grande pr\u00e9cision la difficult\u00e9 relative et le taux d’erreur des sujets face \u00e0 des syllogismes imbriqu\u00e9s.<\/p>\n N\u00e9anmoins, ces conclusions ont \u00e9t\u00e9 \u00e2prement contest\u00e9es par les \u00e9tudes empiriques men\u00e9es par Philip Johnson-Laird<\/a> et Ruth Byrne. Leurs donn\u00e9es bas\u00e9es sur des protocoles verbaux et des taux d’erreurs syst\u00e9matiques indiquent que les individus n’appliquent pas de r\u00e8gles formelles syntaxiques abstraites, mais construisent des mod\u00e8les mentaux de mondes possibles. La d\u00e9couverte empirique de conclusions illusoires (illusory inferences<\/em>) \u2014 des \u00e9nigmes o\u00f9 la quasi-totalit\u00e9 des sujets humains tirent avec une certitude absolue une conclusion logiquement invalide \u2014 a constitu\u00e9 un d\u00e9fi majeur : les syst\u00e8mes de raisonnement automatis\u00e9 conventionnels \u00e9vitent ces pi\u00e8ges gr\u00e2ce \u00e0 leur infaillibilit\u00e9 formelle, mais \u00e9chouent par l\u00e0 m\u00eame \u00e0 simuler fid\u00e8lement l’humain sans l’adjonction de biais calcul\u00e9s dans leur moteur de recherche.<\/p>\n Une direction de recherche moderne particuli\u00e8rement f\u00e9conde, impuls\u00e9e par des auteurs tels que Joshua Tenenbaum et Thomas Griffiths, fusionne le raisonnement automatis\u00e9 symbolique avec l’inf\u00e9rence probabiliste bay\u00e9sienne. Les mod\u00e8les de \u00ab programmes probabilistes \u00bb montrent comment l’esprit peut conjuguer la compositionnalit\u00e9 symbolique (la logique et la grammaire) avec la manipulation graduelle de distributions d’incertitude. Ces travaux d\u00e9montrent de mani\u00e8re empirique que les enfants apprennent des concepts causaux complexes \u00e0 partir de tr\u00e8s peu d’exemples en ex\u00e9cutant une forme de raisonnement inductif et abductif bay\u00e9sien contraint par des th\u00e9ories pr\u00e9existantes abstraites.<\/p>\n L’universalit\u00e9 des r\u00e8gles logiques formalis\u00e9es dans le raisonnement automatis\u00e9 soul\u00e8ve d’importantes questions transculturelles en psychologie. Les syst\u00e8mes logiques classiques occidentaux reposent immuablement sur trois principes aristot\u00e9liciens cardinaux : le principe d’identit\u00e9 ($A$<\/span> est $A$<\/span>), le principe de non-contradiction (non \u00e0 la fois $A$<\/span> et non-$A$<\/span>) et le principe du tiers exclu (soit $A$<\/span>, soit non-$A$<\/span>). Or, les recherches en psychologie transculturelle pionni\u00e8res men\u00e9es par Richard Nisbett<\/a> et ses coll\u00e8gues (notamment Kaiping Peng) ont mis en lumi\u00e8re de profondes variations cognitives dans la gestion de la contradiction entre les cultures occidentales et est-asiatiques.<\/p>\n Ces travaux montrent que les sujets form\u00e9s dans des contextes culturels orientaux (influenc\u00e9s par le tao\u00efsme, le confucianisme et le bouddhisme) privil\u00e9gient fr\u00e9quemment un mode de pens\u00e9e dit \u00ab holistique \u00bb ou \u00ab dialectique \u00bb :<\/p>\n Pour le raisonnement automatis\u00e9, ces constats d\u00e9montrent qu’un moteur logique strictement aristot\u00e9licien capture un style cognitif particulier plut\u00f4t qu’un invariant psychologique universel. En r\u00e9ponse, la recherche contemporaine d\u00e9veloppe des logiques paracoh\u00e9rentes et des logiques floues automatis\u00e9es, capables de tol\u00e9rer des contradictions locales sans que l’ensemble du syst\u00e8me d’inf\u00e9rence n’explose math\u00e9matiquement (ph\u00e9nom\u00e8ne d’explosion d\u00e9ductive ou ex falso sequitur quodlibet<\/em>), permettant ainsi de mod\u00e9liser avec fid\u00e9lit\u00e9 des formes de rationalit\u00e9 dialectiques et holistiques.<\/p>\n Le raisonnement automatis\u00e9 fait l’objet de vifs d\u00e9bats \u00e9pist\u00e9mologiques et cognitifs. La premi\u00e8re critique, historiquement articul\u00e9e par le philosophe Hubert Dreyfus dans son essai What Computers Can’t Do<\/em>, porte sur la nature d\u00e9sincarn\u00e9e de l’inf\u00e9rence symbolique. Dreyfus, s’appuyant sur la ph\u00e9nom\u00e9nologie de Martin Heidegger et Maurice Merleau-Ponty, soutient que l’expertise humaine fondamentale ne proc\u00e8de nullement de la d\u00e9duction logique de r\u00e8gles d\u00e9contextualis\u00e9es, mais d’une intuition incarn\u00e9e et sensorimotrice acquise par l’immersion physique et sociale dans le monde. Le raisonnement formel automatis\u00e9 ne constituerait que la pointe \u00e9merg\u00e9e, secondaire et d\u00e9riv\u00e9e de l’intelligence r\u00e9elle.<\/p>\n La deuxi\u00e8me limite r\u00e9side dans le fameux \u00ab probl\u00e8me de la qualification \u00bb (qualification problem<\/em>) et le \u00ab probl\u00e8me du cadre \u00bb (frame problem<\/em>), formalis\u00e9s par John McCarthy et Patrick Hayes : comment un agent logique peut-il savoir, sans une r\u00e9\u00e9valuation combinatoire infinie, quelles propri\u00e9t\u00e9s de l’environnement restent inchang\u00e9es apr\u00e8s l’ex\u00e9cution d’une action \u00e9l\u00e9mentaire ? L’esprit humain r\u00e9sout cette question spontan\u00e9ment gr\u00e2ce \u00e0 une saillance attentionnelle imm\u00e9diate et incarn\u00e9e que les moteurs d\u00e9ductifs automatis\u00e9s peinent \u00e0 reproduire sans artifice algorithmique lourd.<\/p>\n Enfin, le d\u00e9bat contemporain oppose les partisans de l’IA symbolique classique (fond\u00e9e sur le raisonnement automatis\u00e9 explicite) aux tenants des r\u00e9seaux neuronaux profonds et des mod\u00e8les de langage massifs (LLM). Si ces derniers font preuve d’une impressionnante fluidit\u00e9 linguistique et de capacit\u00e9s associatives fascinantes, ils \u00e9chouent de mani\u00e8re r\u00e9currente sur des d\u00e9ductions logiques strictes \u00e0 plusieurs \u00e9tapes, tombant dans des hallucinations ou des incoh\u00e9rences \u00e9l\u00e9mentaires. La critique actuelle met en \u00e9vidence la n\u00e9cessit\u00e9 de d\u00e9velopper des architectures hybrides \u00ab neuro-symboliques \u00bb : combiner la flexibilit\u00e9 perceptive et associative des mod\u00e8les connexionnistes (Syst\u00e8me 1) avec la rigueur, l’exactitude inf\u00e9rentielle et la v\u00e9rifiabilit\u00e9 des syst\u00e8mes de raisonnement automatis\u00e9 (Syst\u00e8me 2).<\/p>\n Pour pr\u00e9venir toute confusion terminologique, il convient de distinguer pr\u00e9cis\u00e9ment le raisonnement automatis\u00e9 de plusieurs notions adjacentes :<\/p>\n Le raisonnement automatis\u00e9 formalise de mani\u00e8re algorithmique les m\u00e9canismes d’inf\u00e9rence logique de la pens\u00e9e, offrant un instrument de premier ordre pour tester les th\u00e9ories psychologiques de la rationalit\u00e9 humaine. Loin de se cantonner \u00e0 la d\u00e9duction axiomatique classique, il int\u00e8gre des logiques non monotones, modales et bay\u00e9siennes pour refl\u00e9ter la capacit\u00e9 de l’esprit \u00e0 s’adapter au monde incertain et incomplet du quotidien.<\/p>\n Alors que la cognition humaine navigue continuellement entre des heuristiques associatives rapides et des d\u00e9ductions analytiques exigeantes, le raisonnement automatis\u00e9 repr\u00e9sente l’\u00e9talon de rigueur du Syst\u00e8me 2. Confront\u00e9 aux d\u00e9fis de la charge combinatoire, des variations culturelles et du manque d’ancrage sensorimoteur, il s’impose aujourd’hui comme la cl\u00e9 de vo\u00fbte des futures architectures d’intelligence cognitive hybride, garantissant des d\u00e9ductions fiables, transparentes, \u00e9thiques et explicables.<\/p>\n Le raisonnement automatis\u00e9 mod\u00e9lise les processus inf\u00e9rentiels de l’esprit par des algorithmes logiques formels, \u00e9clairant les th\u00e9ories de la cognition humaine.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[647,5114,1486],"tags":[35664,4940,13129,176,93,35663,35665],"class_list":["post-21344","psych_term","type-psych_term","status-publish","hentry","category-psychologie-cognitive","category-psychologie-computationnelle","category-sciences-cognitives","tag-logique-formelle","tag-modeles-mentaux","tag-modelisation-computationnelle","tag-prise-de-decision","tag-psychologie-cognitive","tag-raisonnement-automatise","tag-systemes-duels"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/21344","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/21344\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=21344"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=21344"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=21344"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. \u00c9volution historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
\n
7. Composantes cl\u00e9s, types et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
9. Mesure et \u00e9valuation<\/h3>\n
\n
10. Applications et port\u00e9e pratique<\/h3>\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transculturelles<\/h3>\n
\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
14. Termes connexes et distinctions conceptuelles<\/h3>\n
\n
15. Synth\u00e8se et points cl\u00e9s \u00e0 retenir<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n