Raisonnement
Raisonnement : la vision classique
Introduction
Le raisonnement est un processus cognitif qui permet d'obtenir de nouveaux résultats ou de vérifier la réalité d'un fait en faisant appel soit à différentes lois soit à des expériences, quel que soit leur domaine d'application : mathématique, judiciaire, physique, pédagogie, etc.
On dit que l’individu effectue des inférences et que le mécanisme d’élaboration de ces inférences s’appelle raisonnement.
Déduction logique
En logique, la déduction procède de la conception que les moyens ne sont pas plus importants que la fin (conclusion), par opposition à l'induction logique qui consiste à former des représentations générales à partir de faits particuliers. La déduction est un principe de la logique développée entre autres par Aristote. D'autres théories logiques définissent le raisonnement déductif comme une inférence dont la conclusion est aussi certaine que les prémisses, tandis que dans un raisonnement inductif la conclusion peut être moins certaine que les prémisses. Dans les deux approches, la conclusion d'une inférence déductive découle des prémisses ; celles-ci ne peuvent être vraies si la conclusion est fausse. (En logique aristotélicienne, les prémisses d'un raisonnement inductif peuvent entretenir le même lien avec la conclusion.)
Exemples
Les syllogismes suivants sont corrects :
Tous les hommes sont mortels. Or tous les Athéniens sont des hommes. Donc tous les Athéniens sont mortels.
La peinture est au-dessus du bureau. Le bureau est au-dessus du sol. Par conséquent la peinture est au-dessus du sol.
Le syllogisme suivant est incorrect :
Tous les criminels sont contre le gouvernement. Or tous les membres de l'opposition sont contre le gouvernement. Donc tous les membres de l'opposition sont des criminels.
Ce dernier raisonnement est incorrect, car les hypothèses ne parviennent pas à relier l'appartenance au parti de l'opposition et le fait d'être un criminel. Il s'agit d'une sorte de sophisme amené par un argument fallacieux : il confond certains « contre le gouvernement » (les membres de l'opposition, les criminels), et conclut sur une égalité entre tous ces individus particuliers sous prétexte qu'ils appartiennent à la même catégorie. Seulement, s'il est possible d'être à la fois membre de l'opposition et criminel, on ne peut en déduire que l'un implique nécessairement l'autre ; c'est ce que l'on appelle le sophisme du milieu non distribué (fallacy of the undistributed middle). Dans ce genre de cas, les deux prémisses peuvent être vraies sans que la conclusion soit correcte, car la forme logique est incorrecte.
Induction logique
L'induction est historiquement le nom utilisé pour signifier un genre de raisonnement qui se propose de chercher des lois générales à partir de l'observation de faits particuliers, sur une base probabiliste. Remarque : Bien qu'associée dans le titre de cet article à la logique, la présentation qui suit correspond surtout à la notion « philosophique » de l'induction. En effet, en mathématiques, en logique et en informatique, l'induction complète, aujourd'hui très souvent abrégée en induction, est une autre façon de désigner la récurrence, aussi bien le raisonnement par récurrence que les définitions par récurrence. Le terme est souvent employé pour les généralisations de la récurrence aux bons ordres et aux relations bien fondées. En raisonnement automatisé, l'abduction est un mode de raisonnement qui vise à émettre une hypothèse pour expliquer un fait et elle ne doit pas être confondue avec l'induction présentée ici.
Exemples
Par exemple : Si la loi de la gravitation universelle détermine que, une pomme qui se détache de son arbre tombera sur le sol, et de quelle manière elle le fera, l'observation du mouvement de cette même pomme permet d'établir la loi générale, mais avec un degré de certitude très faible. Si ensuite, on observe que toutes les pommes et tous les corps tombent de la même façon, si on observe que les corps dans l'espace respectent la même loi, alors la probabilité de la loi augmentera jusqu'à devenir une quasi certitude. Dans le cas de la gravitation universelle, cependant, on a observé que l'orbite de Mercure présentait un effet de précession qui n'était pas expliqué par la loi. La loi de la gravitation universelle est cependant restée considérée comme universellement valide jusqu'à ce que Henri Poincaré explique le phénomène par une nouvelle loi de composition des vitesses qui conserve l'invariance de la vitesse de la lumière et qui sera expliqué par Einstein dans la théorie de la relativité restreinte. Malgré tout, la gravitation universelle reste utilisée car elle reste valable dans les cas courants, et elle est plus simple à utiliser et à comprendre que la théorie de la relativité.
Apprentissage de concept
L'apprentissage de concept, également connu sous les noms d'"apprentissage catégoriel", "atteinte de concept" (concept attainment), et "formation de concept", est largement basé sur les travaux du cognitiviste Jerome Bruner. Bruner, Goodnow et Austin (1967), ont défini l'apprentissage de concept comme la recherche et le listage des attributs qui peuvent être utilisés pour distinguer des exemplaires de non exemplaires d'une catégorie. En clair, les concepts sont les catégories mentales qui nous aident à classifier des objets, des événements, des idées, en se basant sur la compréhension du fait que chaque objet, événement, ou idée a un ensemble de traits caractéristiques. Par conséquent, l'apprentissage de concept est une stratégie qui requiert qu'un apprenant compare et différencie des groupes ou des catégories qui ont des caractéristiques pertinentes concernant le concept en question avec des groupes ou des catégories qui n'ont pas de telles caractéristiques.
L'apprentissage de concept se réfère également à une tâche d'apprentissage dans laquelle un humain ou une machine sont entraînés pour classer des objets en leur montrant des exemples d'objets avec leur nom de classe. L'apprenant simplifie ce qui a été observé en considérant cela comme une forme d'un exemple (un exemplaire d'une catégorie). Cette version simplifiée de ce qui a été appris est ensuite appliquée à des exemples futures. L'apprentissage de concept peut être simple ou complexe parce qu'il peut se faire dans de nombreux domaines différents. Quand un concept est difficile, il est moins probable qu'un apprenant soit capable de le simplifier, et, par conséquent il est moins probable qu'il apprenne. Couramment, cette tâche est connue comme "apprentissage à partir d'exemples". La plupart des théories sur l'apprentissage de concept sont basées sur le stockage d'exemplaires et évitent n'importe quel type de synthèse, ou d'abstraction.
Types de concepts
Pas un concept. L'apprentissage de concept doit être distingué du fait d'apprendre en répétant quelque chose de mémoire ou en discriminant entre deux choses différentes (discrimination). Néanmoins, ces problèmes sont intimement reliés dans la mesure où le rappel mnésique de faits pourrait être considéré comme un processus conceptuel trivial où des exemplaires antérieurs représentant le concept sont invariants. De la même manière, alors que la discrimination n'est pas la même chose que le véritable apprentissage de concept, les processus de discrimination sont inclus dans l'affinement de concept par la présentation répétée d'exemplaires.
Concepts concrets ou perceptuels vs concepts abstraits
Concepts définis (ou relationnels) et concepts associés
Concepts complexes. Des notions telles qu'un schema ou un script sont des exemples de concepts complexes. Un schema est une organisation de concepts plus petits (ou de catactéristiques) qui est corrigé par de l'information en provenance de la situation pour aider à la compréhension. Un script quant à lui est une liste d'actions qu'une personne suit afin d'atteindre un but. Un exemple de script serait le processus d'achat d'un CD. Il y a dans ce cas un certain nombre d'actions qui doivent se produire avant le véritable acte d'achat du CD. Ainsi, le script fournit une séquence des actions nécessaires et un ordre correct pour ces actions afin de réussir à acheter le CD.
Méthodes pour apprendre un concept
Découverte: n'importe quel bébé découvre des concepts par lui-même, tel que le fait de découvrir que chacun de ses doigts peut être contrôlé individuellement ou que les personnes qui prennent soin de lui sont des individus. Bien que cela soit guidé par la perception, la formation du concept est plus complexe que le simple fait de mémoriser des perceptions.
Exemples: la généralisation, supervisée ou non à partir d'exemples pourrait amener à l'apprentissage d'un nouveau concept, mais la formation de concept est plus complexe qu'une simple généralisation à partir d'exemples.
Mots: Ecouter ou lire de nouveaux mots amène à l'apprentissage de concepts, mais la formation d'un nouveau concept est plus complexe que l'apprentissage d'une définition de dictionnaire. Une personne pourrait avoir formé au préalable un nouveau concept avant d'avoir trouvé un mot une phrase pour l'exprimer.
Comparaison d'exemplaires: Une autre manière efficace d'apprendre de nouvelles catégories et d'induire de nouvelles règles de catégorisation consiste à comparer un certain nombre d'objets quand leur relation catégorielle est connue. Ainsi, le fait de comparer deux exemplaires alors que l'on est informé que les deux appartiennent à la même catégorie permet d'identifier les attributs partagés par les membres de la catégorie, et illustre la variabilité à l'intérieur de cette catégorie. D'autre part, la comparaison de deux exemplaires, alors que l'on sait qu'ils appartiennent à des catégories différentes pourrait permettre une identification des attributs qui ont une valeur diagnostique. Il est intéressant de constater que les comparaisons à l'intérieur d'une catégorie, et entre deux catégories pourraient ne pas être équivalentes en termes d'efficacité pour connaître ces catégories. La capacité à utiliser l'une ou l'autre de ces formes d'apprentissage par comparaison est sujette à changement au cours de la petite enfance.
Invention: quand les hommes préhistoriques qui manquaient d'outils utilisaient leurs ongles pour racler la nourriture des animaux qu'ils avaient tués ou de melons fracassés, ils remarquèrent qu'une pierre cassée avait parfois un côté tranchant comme un ongle et était, par conséquent, adaptée au raclage de la nourriture. L'invention d'un nouvel outil pour éviter de se casser les ongles était un nouveau concept.
Problèmes théoriques
En général, les problèmes théoriques qui concernent l'apprentissage de concept sont les mêmes que ceux qui concernent l'induction logique. Ces problèmes sont traités dans de nombreuses publications, qui incluent la littérature sur les espaces de version, la théorie de l'apprentissage statistique, l'apprentissage PAC, la théorie de l'information, et la théorie algorithmique de l'information.
Résolution de problème
La résolution de problème consiste à utiliser des méthodes génériques ou "ad hoc", d'une manière ordonnée, afin de trouver des solution à des problèmes. Certaines des techniques de résolution de problème développées et utilisées en intelligence artificielle, en sciences informatiques, en ingénierie, en mathématiques, en médecine, etc. sont liées aux techniques de résolution mentale de problème étudiées en psychologie. Pour plus d'information voir la page Résolution de problème dans l'edutechwiki.
Caractéristiques des problèmes difficiles
Comme l'a démontré Dietrich Dörner (et, plus tard, Joachin Funke a approfondi le sujet), les problèmes difficiles ont certaines caractéristiques typiques qui peuvent être résumées comme ceci:
- Non transparence (manque de clarté de la situation)
- Opacité du commencement
- Opacité de la continuité
- Buts multiples
- Non expressivité
- Opposition
- Nature éphémère
- Complexité (grand nombre de points, interrelations et décisions)
- Caractère énumérable
- Connectivité (relations hiérarchiques)
- Hétérogénéité
- Dynamique (considérations de temps)
- Contraintes temporelles
- Sensibilité au temps
- Effets de phase
- imprévisibilité dynamique
La résolution de problèmes difficiles requiert un traitement direct de chacune de ces caractéristiques que l'on rencontre.
Stratégies de résolution de problèmes
Les stratégies de résolution de problème sont les étapes qu'une personne utilise pour trouver le ou les problèmes qui obstruent son chemin vers ses buts. On appelle également cela le "cycle de résolution de problèmes" (Bransford & Stein, 1993). Dans ce cycle, la personne reconnaît le problème, définit le problème, développe une stratégie pour résoudre le problème, organise la connaissance concernant le problème, définit les ressources qu'elle a à disposition, contrôle ses progrès, et évalue l'exactitude de la solution au problème. On appelle cela un "cycle" parce qu'une fois qu'un problème est résolu, généralement, un autre apparaît.
Les techniques suivantes sont habituellement appelées "stratégies de résolution de problème" :
- Abstraction: résoudre le problème grâce à un modèle du système avant d'appliquer la solution au système réel
- Analogie: utiliser une solution qui résout un problème similaire
- Brainstorming: (en particulier dans les groupes) suggérer un grand nombre de solutions ou d'idées, les combiner et les développer jusqu'à ce qu'une solution optimale soit trouvée
- Diviser et conquérir: diviser un problème complexe de grande taille en problèmes plus petits et plus faciles à résoudre
- Test d'hypothèses: supposer une explication possible au problème et essayer de la prouver
- Pensée latérale: approcher la solution indirectement et avec créativité
- Analyse des moyens et des buts: choisir une action pour chaque étape afin de s'approcher du but
- Méthode des objets focaux: faire la synthèse de caractéristiques qui n'ont apparemment pas de relation
- Analyse morphologique: évaluer le résultat et les interactions d'un système entier
- Preuve: essayer de prouver que le problème ne peut être résolu. Le point où la preuve ne marche pas sera le point de départ pour résoudre le problème
- Réduction: transformer le problème en un autre problème pour lequel il existe une solution
- Recherche: employer des idées ou adapter des solutions qui existent à des problèmes similaires
- Analyse de la cause première: identifier la cause d'un problème
- Essais et erreurs: tester les solutions possibles jusqu'à ce que la bonne soit trouvée
Le modèle ACT
Le modèle
Le modèle ACT (Adaptative Control of Thought) de Anderson (1983, 1993) est un modèle important ayant recours au concept de Mémoire de Travail. C’est l’un des modèles phares de l’approche dite de la « computation symbolique » qui s’est développée depuis les années 80. Son architecture se compose de 3 systèmes mnésiques: une mémoire de travail, une mémoire déclarative et une mémoire procédurale.
Mémoires
La mémoire de travail contient la représentation courante de l'environnement ou de la situation du moment. A l'image de la MCT dans le modèle modal, elle assure le maintien temporaire d'informations, mais elle est surtout considérée par Anderson comme un espace de traitement dans lequel s’accumulent les données nécessaires ou produites au cours des raisonnements effectués par le système cognitif pour résoudre des problèmes. L'originalité de ce modèle tient dans la présence de deux structures de stockage à long terme de l’information: la mémoire permanente déclarative, qui contient des informations factuelles ou conceptuelles (sous la forme de propositions logiques, d’images mentales, ou de schémas cognitifs) organisées sous la forme d'un réseau sémantique, et la mémoire permanente procédurale, qui contient des savoir-faire encodés sous la forme de règles de production, et qui sont susceptibles de s'appliquer à elles-mêmes.
Processus du modèle
Au-delà de ces trois systèmes de mémoire, le modèle ACT repose sur 4 processus fondamentaux :
- le stockage (qui permet la mémorisation à long terme des représentations élaborées et contenues dans la MDT.
- la récupération (qui assure le recouvrement d'informations en mémoire déclarative).
- le matching ou appariement (qui permet de comparer le contenu de la MDT avec les prémisses des règles de production stockées en mémoire procédurale).
- l'exécution (qui provoque le transfert en MDT de la partie « action » des règles de productions dont l'appariement a réussi).
Fonctionnement
D'une façon schématique, le fonctionnement du modèle ACT est le suivant: lorsqu'une information est prélevée dans l'environnement, elle est encodée puis stockée en mémoire de travail. Cette information peut alors activer une partie de la mémoire déclarative et se propager dans le réseau relationnel qui la compose. L'activation peut également s'étendre à la mémoire procédurale. Les connaissances déclaratives activées sont transférées en Mémoire de Travail où elles viennent se combiner avec les informations perceptives, afin de constituer une représentation cognitive ou un modèle mental de l'environnement. L'appariement du contenu de la MDT avec les prémisses de certaines règles de production peut alors provoquer le transfert de ces dernières en MDT puis, dans un second temps, leur mise en œuvre pour la production de performances.
Ce qui est intéressant dans ce modèle, c’est qu’il place la Mémoire de Travail comme la structure centrale des raisonnements et des décisions humaines, comme le siège des représentations cognitives occurrentes assimilées ici a des « modèles mentaux » de l’environnement extérieur ou du problème à résoudre, et qui vont servir de guide à l’activité humaine.
Pour aller plus loin
Pour des raisons de droits d'auteur, nous ne pouvons pas vous donner directement accès aux articles et chapitres de livres ci-dessous. Certains d'entre eux, en particulier les articles de revues, requièrent soit d'être connecté sur le réseau de l'unige, soit d'installer le VPN qui vous permet d'accéder au réseau de l'unige depuis votre machine. D'autres sont directement accessibles sans passer par le réseau de l'unige.
- Anderson, J. R. (1982). Acquisition of cognitive skill. Psychological review, 89(4), 369. Article très long, début intéressant.
Références
- Anderson, J. R. (1983). A spreading activation theory of memory. Journal of verbal learning and verbal behavior, 22(3), 261-295.
- Michael R. Genesereth and Nils J. Nilsson, Logical Foundations of Artificial Intelligence, Morgan Kaufmann, 1987 [détail de l’édition], chap. 7 Induction, pp. 161-176.
Droits d'auteur
Articles originaux disponibles sur : http://fr.wikipedia.org