Les résultats relatifs à la modélisation

Des travaux spécialisés offrent un support à certaines tâches du processus de modélisation. Ils proposent soit des langages, soit des techniques de recueil, soit des éditeurs de modèles. Au contraire, d’autres recherches plus ambitieuses intègrent plusieurs outils au sein de plates-formes ou s’intéressent aux aspects méthodologiques.

La production de résultats dans le domaine passe par une visée de réutilisation, qui cherche à généraliser les questions et les résultats propres à chaque expérience, et à dégager des invariants de la diversité et de la complexité que j’ai signalées. Cette démarche suppose de dépasser l’étude de cas d’école, de propriétés théoriques ou formelles de représentations, ou de la validation isolée d’outils d’aide (Tchounikine, 2002). Elle requiert de se fixer des contextes d’évaluation en vraie grandeur, tout en se donnant les moyens de mesurer la contribution et l’intérêt de chacun des éléments des démarches proposées. Loin de s’imposer facilement, ce type d’analyse se développe dans

55

la mesure où l’on peut s’appuyer maintenant sur un plus large échantillon de recherches, d’approches et de retours d’expérience.

Ces analyses conditionnent les avancées dans le domaine et l’établissement de résultats qui puissent avoir un écho, une diffusion au-delà du cercle de l’ingénierie des connaissances. Les rapprochements attendus portent, par exemple, sur les types de connaissance permettant de répondre à des types de besoin ou d’application. Autre exemple, des contributions plus précises devraient déboucher dans les années à venir sur la manière d’intégrer différents types de connaissance et réutiliser au mieux les ressources existantes. Les propositions actuelles en matière de langages, de modèles, de méthodes ou de techniques ne peuvent s’affranchir de l’identification des contextes (types de connaissance, d’application ou d’utilisateur) dans lesquels ils sont pertinents. Ainsi, les efforts de standardisation autour des langages de représentation d’ontologies pour le web sémantique sont tout à fait révélateurs de cette volonté. Ils concernent différentes communautés (représentation des connaissances ou IA en général, réseaux et télécommunication et gestion documentaire entre autres). La part de l’IC dans cet effort est de restituer son savoir faire sur l’évaluation des formalismes. Elle rappelle que ces formalismes doivent prendre en compte les contextes d’usage particuliers, permettre des raisonnements adaptés aux systèmes les utilisant.

1.5.3.1 Techniques et outils

Pour faire des propositions pratiques en matière d’accès aux connaissances à travers les personnes ou les documents qui sont supposés en fournir des indications, l’IC a forgé des solutions qui lui sont propres. Elle s’est aussi largement inspirée de disciplines proches en fonction de la source de connaissances considérée : ces disciplines ont couvert successivement la psychologie cognitive puis l’ergonomie puis la terminologie et la linguistique de corpus. Des panoramas de ces techniques sont présentés dans [thèse-AUSSENAC, 89], (Schreiber, 1996) ou (Dieng et al., 2000).

Par techniques, je fais référence à des « modes opératoires » préconisant des modes de choix ou de création de situations de production ou d’utilisation de connaissances, puis la manière de repérer-recueillir-extraire ou analyser ces données et enfin des propositions pour interpréter, dépouiller, structurer les fruits de cette analyse. La psychologie cognitive a fourni de nombreuses indications sur les différentes techniques d’entretien, leur analyse, les avantages et limites de chacune. L’IC a repris à l’ergonomie des techniques d’analyse de la tâche et de l’activité.

Dans certains cas, des outils ont été définis en IC pour faciliter la mise en place de certaines techniques ou le dépouillement des données ainsi recueillies. Ces logiciels assistent les modes opératoires définis ou en créent de nouveaux. Par exemple, certains logiciels sont des supports aux techniques de classification, de tri de cartes (comme 3DKAT), ou encore aux grilles répertoires comme ETS et AQUINAS (Boose, 1987), (Boose, 1989) … Certains logiciels facilitent la simulation de l’activité ou l’extraction de connaissances à partir des données recueillies. Par exemple, des outils permettent d’annoter des textes, des retranscriptions d’entretiens, d’identifier des connaissances particulières, comme le repérage de taxèmes ou d’actèmes avec la K-Station associée à la méthode KOD. D’autres outils simplifient le stockage de résultats (bases de données plus ou moins structurées, bases de cas, d’entretiens

retranscrits …) et l’analyse de résultats (tris, recoupements, analyses statistiques, etc.)

1.5.3.2 Langages pour la modélisation

Avec le modèle conceptuel, on espère se situer au-dessus de l’opérationnalisation informatique et ainsi de ne pas contraindre les représentations par des critères de performance ou de calculabilité. L’IC ne reprend donc pas exactement les formalismes de l’IA (car ils privilégient la capacité à raisonner et produire des inférences), mais cherche à faire des propositions nouvelles en s’appuyant sur d’autres travaux cognitivistes. On peut citer par exemple les structures de représentations mentales proposées par la psychologie cognitive, modèles de tâches de l’ergonomie, représentation proposées en gestion des connaissances (graphes de connaissances) ou pour l’analyse du langage naturel (graphes conceptuels). L’IC a en effet besoin de proposer des langages de modélisation qui favorisent l’expressivité, la caractérisation abstraite des connaissances tout en préparant leur formalisation.

Des langages comme CML dans CommonKADS (Schreiber et al., 2000) ou le langage dérivé d’Entité-Association dans ASTREE (Tort, 1996) facilitent la mise au point du modèle par le cogniticien, et le rendent facilement lisible par un humain. D’autres privilégient la formalisation, la précision et la capacité de raisonnement. Dans cette dernière catégorie, on trouve encore deux types de langage. D’une part, ceux qui rendent calculable le modèle conceptuel en restant au plus près des structures initiales, que l’on appelle langages de prototypage ou de formalisation ou d’opérationnalisation parfois ; par exemple, ForKADS (Wetter, 1992), OMOS (Linster, 1992) ou Def_* (Kassel et al., 2000).

D’autre part, ceux qui rendent le modèle opérationnel dans le système final.

On parle ici aussi de langage d’opérationnalisation ou d’implémentation comme LISA (Delouis, 1994) ou KARL (Fensel, 1994).

Ces points de vue divergent sur l’intérêt qu’il y a ou non à préserver, dans l’application finale, l’organisation structurelle du modèle ; sur l’importance accordée aux performances et la calculabilité versus la lisibilité ou l’expressivité ; enfin sur la complexité et le coût que peut générer la nécessité de passer successivement par trois représentations successives : un modèle structurant sans formaliser, un modèle formalisant pour valider, puis un codage permettant au système final de fonctionner de manière optimale. Les choix dépendent de la taille et de l’ambition du projet, des besoins en maintenance mais aussi du type d’application.

Pour gérer la tension qu’impose de répondre aux différents rôles que l’on veut faire jouer à un modèle conceptuel (représenter, raisonner, échanger des connaissances …), la plupart des travaux proposent de s’appuyer sur plusieurs représentations successives et sur différents formats des mêmes primitives.

Par exemple, un format graphique ou un langage d’expression simple de type frame convient bien pour les phases initiales d’organisation des données recueillies. Ensuite, une représentation structurée et une sémantique plus précise permettent de guider la modélisation. Citons par exemple les langages tâches-méthodes pour représenter le raisonnement ou bien RDFs ou OWL pour le domaine. Enfin, la vérification syntaxique ou sémantique s’appuie souvent sur une représentation logique.

57

1.5.3.3 Méthodes, éditeurs de modèles et plates-formes

Certains concepteurs de langages prévoient que le cogniticien écrive directement un modèle à l’aide du langage (cas des langages OMOS, LISA ou Def-*). D’autres proposent un éditeur spécifique, qui guide l’interaction avec l’utilisateur, vérifie la syntaxe des structures définies et des liens entre structures. Par exemple, le langage CML de CommonKADS dispose d’un éditeur. De même, les différents langages de représentation d’ontologies sont accessibles via des éditeurs, comme OILEd pour OIL.

Choisir et utiliser des techniques de recueil et d’analyse de données pour alimenter et structurer un modèle selon un langage donné requiert un véritable savoir faire. Le cogniticien chargé de ce travail doit pour cela adopter un point de vue sur les connaissances, sur l’application finale et sur ce qu’est un modèle conceptuel pertinent dans ce contexte. Pour guider l’ensemble du processus, des propositions méthodologiques ont donc été définies dans des projets d’envergure, surtout au niveau européen, comme KADS, VITAL, COMMET puis CommonKADS, ou encore KOD. Pour assurer cohérence et continuité du processus défini par chacune de ces méthode, la plate-forme informatique associée regroupe à la fois des outils de modélisation et de recueil.