La doctrine du précédent (règles d’application), la structure du précédent et les méthodes de détermination du « ratio decidendi »

Ainsi, conformément à la définition donnée par le célèbre avocat anglais Rupert Cross, auteur de plusieurs monographies et manuels largement reconnus, l'idée générale d'un précédent se résume à ce qui suit.

Considérant un cas précis, le tribunal rend un verdict ou une décision ; cet acte judiciaire est, d'une part, un acte obligatoire pour les participants à une affaire judiciaire précise, et d'autre part, comme un cas particulier d'application de la loi. , cela donne lui-même lieu à une règle générale - cela devient un précédent.

Dans le système juridique en question, il existe une certaine doctrine du précédent ou ce qu'on appelle les règles de son application. Regardons-les.

1) Le principe qui nous oblige à respecter les précédents – stare decisis (littéralement – ​​« s’en tenir à ce qui a été décidé »).

De ce principe découle que les décisions des cours d'appel - et ce sont les plus hautes juridictions - sont contraignantes pour les juridictions inférieures et pour les cours d'appel elles-mêmes.

Le caractère contraignant et coercitif (rigide) de la doctrine du précédent en Angleterre ou du principe du stare decisis est que s'il existe une analogie suffisante entre le précédent et le cas en question, c'est-à-dire dans une affaire où il n'y a pas de différence raisonnable entre les faits essentiels des deux affaires, le juge est obligé de suivre le précédent - même s'il n'est pas du tout d'accord avec celui-ci et si un tel précédent n'existait pas, il prendrait une décision complètement différente, même si un tel précédent a été établi il y a plusieurs siècles, il est clairement dépassé et ne correspond pas aux temps modernes. Ce principe s'applique strictement à tous les tribunaux anglais, à l'exception des plus hautes cours d'appel, qui sont plus susceptibles de s'écarter de leurs propres décisions ou de ne pas suivre les décisions des tribunaux inférieurs.

Mais se conformer à ce principe n’est en aucun cas une tâche facile, comme en témoignent les principes suivants d’application des précédents.

2) Diviser le précédent en deux parties : ratio decidendi (« le fondement de la décision ») et obiter dicta (« ce qui a été dit incidemment »).

Ce n'est pas nécessairement la totalité de la décision qui est contenue dans un précédent, mais seulement le « cœur » de l'affaire, l'essence de la position juridique du juge, sur la base de laquelle il rend une décision ou une sentence, et qui servira de précédent pour la décision. prochain juge. Cette partie de la décision de justice est appelée ratio decidendi (« motifs de la décision »).

Les arguments qui ne sont pas nécessaires aux conclusions du tribunal dans l’affaire concernent « ce qui a été dit incidemment » et sont appelés obiter dicta.

Cette complexité de la structure du précédent rend la tâche d'un juge anglais assez difficile. Sur la base des faits de l'affaire, de la situation au moment où la décision est prise, qui est adoptée comme précédent, et d'un certain nombre d'autres conditions, il doit comprendre ce qu'est le ratio dans un précédent, c'est-à-dire ce qui doit être suivi et qu'est-ce qu'une remarque incidente.

Dans le même temps, l’incertitude des frontières entre eux permet au juge de raisonner sur l’applicabilité ou l’inapplicabilité du précédent. Des possibilités particulièrement larges pour ce type de raisonnement existent dans les cas où une décision contient deux ou plusieurs rationes decidendi. Il convient de garder à l'esprit que le degré de précédents contraignants dépend de la place dans la hiérarchie judiciaire du tribunal qui statue sur une affaire particulière et du tribunal dont la décision sert de précédent pour l'affaire spécifiée. Plus le tribunal est élevé, plus ses juges sont libres de poursuivre telle ou telle politique judiciaire et moins ils sont liés par des précédents. Ainsi, les décisions de la Chambre des Lords – la plus haute cour d’appel – sont contraignantes pour tous les autres tribunaux.

L’analogie complète des faits étant relativement rare, la décision dépend de la discrétion du juge, et c’est lui qui est appelé à déterminer si cette analogie est réelle ou seulement apparente.

Une autre décision, non moins importante, est soumise à son appréciation : trouver une analogie à des situations où à première vue les faits ne coïncident pas. De ce seul fait, il ressort clairement quelle grande opportunité d’initiative judiciaire recèle le système précédent.

Dans les cas où la situation n’a pas d’analogie, le juge devient essentiellement un législateur.

Rupert Cross cite trois caractéristiques constantes de la doctrine anglaise du précédent :

• - le respect d'une décision individuelle d'une juridiction supérieure (c'est la principale différence entre la doctrine anglaise du précédent et celle des pays d'Europe continentale) ;
• - la reconnaissance du fait que la décision de justice constitue un précédent convaincant pour les juridictions supérieures (c'est-à-dire que lors de l'examen d'une affaire, elles sont obligées d'en tenir compte, mais ne sont pas obligées de suivre une telle décision de justice) ;
• - une seule décision est toujours considérée comme un précédent contraignant pour les juridictions inférieures.
• 3. Toutes les décisions de justice doivent être interprétées uniquement à la lumière des circonstances dans lesquelles ces décisions ont été rendues.

En d'autres termes, lors de l'interprétation ultérieure d'un précédent, les juges doivent toujours prendre en compte non seulement la motivation d'une décision particulière, mais sont également tenus d'analyser les faits en relation avec lesquels les arguments correspondants ont été présentés et la décision a été prise.

4. Chaque jugement doit être lu à la lumière des décisions rendues dans des affaires similaires - c'est-à-dire L’interprétation de la ratio decidendi d’une décision judiciaire ne peut être effectuée de manière isolée : elle doit être effectuée dans le contexte de décisions judiciaires rendues dans des cas similaires. C'est pourquoi la principale méthode d'argumentation judiciaire en Angleterre est appelée « raisonnement de cas en cas ».

À cet égard, les comparatistes allemands K. Zweigert et H. Koetz écrivent : « En Angleterre et aux États-Unis, le processus décisionnel est basé sur des précédents individuels pertinents, qui dans la plupart des cas sont fournis au tribunal par des conseillers juridiques (avocats) de les justiciables. Dans ces décisions préalablement prises, il identifie certaines règles (règles), c'est-à-dire des solutions à des problèmes quotidiens spécifiques. Il retrace comment ces normes, en cours d'élaboration dans d'autres précédents, ont reçu une interprétation restrictive ou large et ont été améliorées, puis il formule lui-même progressivement, sur la base de leur généralisation, les principes et normes à l'aide desquels il devoir résoudre le cas précédemment examiné. En même temps, il ne doit jamais oublier la nécessité de trouver des solutions pratiques aux problèmes. Il vérifie à nouveau la version initiale de la décision ainsi formulée du point de vue de son exactitude par rapport au cas considéré, en la comparant avec les données de cas similaires, et seulement après cela prend une décision finale.

Il est important de souligner que la doctrine du précédent s'applique uniquement aux décisions de justice qui ont trouvé leur expression, c'est-à-dire ont été publiées dans des procès-verbaux. En règle générale, les comptes rendus judiciaires ne publient pas les affaires dans lesquelles seuls les faits sont contestés. Cependant, les questions de droit et les questions de fait ne sont pas toujours faciles à séparer, c'est pourquoi les mémoires judiciaires détaillent souvent le raisonnement du juge de première instance et d'appel qui l'a conduit à une conclusion particulière (par exemple, quelles précautions un employeur aurait dû prendre pour fournir un environnement sûr pour le travail de ses travailleurs). Ce type de raisonnement sur les faits de l'affaire n'est pas reconnu par la Cour de la Chambre des Lords comme une règle générale applicable aux affaires ultérieures. En d’autres termes, une décision fondée sur ces éléments ne constitue pas un précédent au sens étroit du terme – c’est-à-dire il n’y a pas de ratio decidendi dans ces décisions.

Une caractéristique de la doctrine anglaise du précédent est également le processus de recherche de ratio decidendi. Dans le même temps, ni la législation anglaise ni les décisions de justice ne contiennent de méthode généralement acceptée pour déterminer la ratio decidendi, c'est pourquoi les auteurs anglais, lorsqu'ils examinent cette question, se tournent vers les méthodes du professeur Wembo (fin du 19e siècle) et du Dr Goodhart (début du 20e siècle). siècle).

L'essence de la méthode Wembo est l'inversion : le juge doit formuler une disposition légale qui, à son avis, pourrait être la ratio decidendi de la décision de justice. Après cela, une telle disposition légale doit être remplacée par une déclaration ayant le sens opposé et il est nécessaire de comprendre si le tribunal pourrait prendre la même décision avec le sens opposé à la disposition légale mise en évidence. Si le tribunal ne peut pas parvenir à la même décision, alors la situation juridique mise en évidence est une ratio decidendi, mais si le tribunal peut arriver à la même décision, alors la situation juridique n'est pas une ratio decidendi.

L'essence de la méthode Goodhart est d'évaluer les faits essentiels de l'affaire et la décision prise sur cette base. Afin d’identifier la ratio décidendi d’une affaire, il est nécessaire de déterminer :

• 1. les faits de l'affaire qui sont considérés comme significatifs par le juge ;
• 2. une décision basée sur de tels faits.

Selon Goodhart, lors de l'analyse d'une affaire, la tâche n'est pas d'isoler les faits et la conclusion, mais d'identifier les faits importants, c'est-à-dire les faits que le juge considère comme importants, et la décision fondée sur eux.

« Le juge fait le droit par le choix des faits matériels. »

Goodhart a identifié six règles de base pour déterminer le ratio decidendi :

• 1. Le principe du précédent ne se retrouve pas dans les arguments présentés par le juge. L’argument qu’un juge avance à l’appui de sa décision ne constitue en aucun cas un élément nécessaire du précédent. Les arguments sont peut-être erronés, mais la décision continue de créer un précédent.
• 2. Le principe de précédent ne se retrouve pas dans la norme juridique formulée dans l'opinion exprimée par le juge, car la norme juridique ne peut être établie par une opinion séparée ni formulée de manière trop large ou trop étroite.
• 3. Le principe du précédent ne se trouve pas nécessairement en considérant tous les faits établis et la décision judiciaire. On ne peut pas recourir aux opinions exprimées par les juges pour trouver une position juridique qui joue le rôle de précédent.
• 4. Le principe de précédent est recherché en tenant compte, d’une part, des faits que le juge considère comme significatifs, et, d’autre part, de la décision du juge fondée sur ceux-ci. Lorsqu’on discute de la ratio decidendi d’un précédent, il est nécessaire d’imaginer les faits tels que le juge les a vus, car il a justifié sa décision par ceux-ci et non par d’autres faits.
• 5. Les juges peuvent considérer – directement ou indirectement – ​​certains faits comme matériels ou immatériels. Les faits concernant la personne, l’heure, le lieu, le type et le montant peuvent être sans importance. Mais les différents rapports judiciaires, les arguments des avocats, les raisons avancées par le juge à l'appui de son opinion, la formulation de la règle de droit que le juge suit dans la décision sont particulièrement importants, car ils peuvent servir de guide pour déterminer les faits importants.
• 6. Une conclusion fondée sur un fait hypothétique (prétendu) est un dicton.

Le principal avantage de la méthode de Goodhart est que, après avoir retracé la relation entre la norme juridique et les circonstances réelles de l'affaire, il a ainsi déterminé la source de la formation de la norme juridique et établi les limites de la ratio decidendi.

Il convient de noter que la méthode de Goodhart a reçu une grande reconnaissance dans la littérature juridique et a suscité de vifs débats sur le concept de ratio decidendi, mais qu’elle n’était pas répandue dans la pratique judiciaire.

L'établissement du rapport entre la ratio decidendi et les faits essentiels d'une décision judiciaire donne aux juges plus de liberté pour faire la distinction entre une affaire précédente et l'affaire examinée (la pratique de la distinction).

L'essence de la méthode de distinction est que le juge a le droit de ne pas appliquer un précédent s'il constate des différences dans les circonstances factuelles de deux affaires (précédentes et actuelles).

Ainsi, traditionnellement dans le système juridique anglais, un précédent est considéré, « d'une part, comme un acte à l'égard duquel les décisions antérieurement prises par les plus hautes juridictions du pays avaient le caractère de « dispositions légales » et servaient de la base juridique de sa formation et de son fonctionnement, et d'autre part, en tant qu'acte, qui a un effet « contraignant » sur toutes les décisions ultérieures qui s'y rapportent.

Il convient de noter qu'à la fin du XXe et au début du XXIe siècle, de sérieuses réformes ont eu lieu en Grande-Bretagne, qui ont influencé le développement de la doctrine du précédent judiciaire.

Ainsi, le résultat de la réforme judiciaire a été le transfert des pouvoirs du Comité d'appel de la Chambre des Lords, opérant au nom de la Chambre des Lords, et du Comité judiciaire du Conseil privé à la nouvelle plus haute instance judiciaire - la Cour suprême. des États-Unis. Royaumes de Grande-Bretagne et d'Irlande du Nord.

Les participants à la conférence ont découvert les pratiques modernes de sélection, d'adaptation et d'évaluation des employés à différents niveaux de postes dans des entreprises de différents secteurs de l'économie. Nous avons discuté des caractéristiques de la réalisation d'évaluations du personnel hiérarchique et des managers, et avons découvert l'expérience de l'utilisation de méthodes d'identification des dirigeants et des employés à haut potentiel ().

Nous aimerions présenter l’un des meilleurs rapports sous la forme d’un discours d’été.

ELENA KOLOTILOVA Spécialiste de l'évaluation du personnel, modératrice des programmes éducatifs, École de gestion de Moscou "Skolkovo"

Méthode d’évaluation des précédents. Étude de cas

Que décrivent les précédents ? Comment pouvez-vous utiliser cela ? Quel est l’avenir de l’évaluation ? Donnons et analysons quelques exemples.

Les précédents décrivent :

• Contexte : Qu'est-ce que c'est ? Par exemple, un groupe de travail, une réunion.
• Conditions environnementales : groupe de travail – 3 personnes, 100 personnes, etc. (ce à quoi nous prêtons particulièrement attention dans l’évaluation)
• Actions du participant que nous pouvons observer (sans jugement, comme nous le voyons).
• Le résultat auquel conduisent les actions (tactique et stratégique, dans la mesure du possible pour ce cas d'utilisation)

Ce qui est important : si l'évaluation n'est pas réalisée par des experts, seuls des précédents positifs sont enregistrés.

Ainsi, nous voyons un type spécifique d’activité d’une personne spécifique, et nous pouvons ensuite l’interpréter.

Exemple de cas d'utilisation :

Après avoir défini les tâches par l'animateur du jeu, l'humeur de trois participants sur cinq était sceptique. L'un d'eux a dit que c'était impossible, deux l'ont soutenu et le délai d'exécution était limité. À ce moment-là, un autre participant (Andrey) a commencé à parler avec émotion de sa proposition. Au bout de 3 minutes, les participants sceptiques se sont impliqués dans les travaux. Chacun d'eux a pris l'une des tâches et a commencé à la résoudre. Cinq minutes plus tard, Andreï a demandé quel était le résultat. En conséquence, la tâche posée par le présentateur a été résolue par l'équipe à temps, dans le respect de 4 conditions sur cinq données.

Dans ce cas, Andrey a assumé ses responsabilités, a démontré de bonnes compétences en communication et a pu obtenir des résultats. C'est un indicateur définitif pour nous.

Pourquoi utilisons-nous la méthode de valorisation précédente ?

Premièrement, il s'agit d'une justification de faits spécifiques et non d'une opinion subjective.

Il s’agit d’une réduction de l’évaluation subjective due au grand nombre d’évaluateurs. Nous recevons un grand nombre de personnes qui peuvent voir le précédent et les participants peuvent également devenir évaluateurs.

Nous testons les participants sur leurs modèles de comportement réussis, nous évaluons donc uniquement les précédents positifs. Il est important que les participants voient des comportements positifs et constructifs qui les inspirent. Par conséquent, il s’avère que si vous voulez que quelque chose de positif soit dit à votre sujet, il est important de vous présenter.

Quelles sont les restrictions ?

Il existe des limites : il faut du temps pour que l'instrument soit clair pour les évaluateurs. Beaucoup de travail est en cours pour traiter les précédents soumis. Lorsque ces exemples commencent à vous « intéresser », il est important d’apprendre à prendre ce qui est utile et à éliminer ce qui ne l’est pas.

Si l’évaluation n’implique pas d’experts, il se peut qu’il n’y ait pas suffisamment de données pour évaluer une compétence particulière. Les experts sont plus à même de valider ce que voient les participants. Si c'est important, vous devez en tenir compte.

Cas pratiques de Skolkovo

1. Gamification des deux premières semaines de formation pour les étudiants de première année. Les universités

Conditions : faible motivation des étudiants, une inclusion rapide dans le processus d'apprentissage est nécessaire, faible conscience des processus. Nous avions des évaluateurs et des modérateurs experts qui pouvaient rédiger des précédents. En 2 semaines - 800 participants, 1000 précédents, 20 évaluateurs. Nous avons utilisé la méthode précédente, car il y avait beaucoup moins d'évaluateurs que de modérateurs. Une note a été établie dans la base de données électronique sur la base du nombre de précédents, des compétences et du potentiel. Pendant deux semaines, les participants ont été immergés dans un jeu de simulation avec une intrigue complexe. Les leaders parmi les participants et leurs compétences clés ont été identifiés.

Introduction au raisonnement basé sur des cas

Titre original : Une introduction au raisonnement basé sur des cas

Traduction: Khalimova E.R.

La méthode de raisonnement par précédent consiste à utiliser une expérience ancienne pour mieux percevoir et résoudre de nouveaux problèmes. Dans la méthode de raisonnement basé sur les cas, le mécanisme de raisonnement rappelle une situation antérieure (voir aussi à propos de ), similaire à la situation actuelle, et l'utilise pour résoudre un nouveau problème. Le raisonnement basé sur des cas peut impliquer d’adapter des solutions antérieures pour répondre à de nouveaux besoins ; utiliser d'anciens précédents pour expliquer de nouvelles situations ; utiliser d'anciens précédents pour évaluer de nouvelles solutions ; ou basée sur un précédent, cette méthode permet d'expliquer une nouvelle situation (comme le font les avocats) ou de créer une solution objective à un nouveau problème (comme le font les médiateurs du travail). Cet article contient une discussion des processus impliqués dans le raisonnement basé sur des cas et des tâches pour lesquelles la méthode est utile.

L'hôtesse envisage de préparer le dîner pour ses invités, parmi lesquels se trouvent des personnes qui ne mangent ni viande ni volaille, dont l'une est allergique aux produits laitiers. Les convives qui préfèrent le menu viande et pommes de terre viendront également dîner, tout comme son amie Anne. Comme c'est la saison des tomates, elle souhaite utiliser les tomates comme ingrédient principal de ses plats. Comme elle avait prévu de préparer le dîner, elle se souvint de ce qui suit :

Une fois, j'ai préparé une tarte aux tomates (elle était composée de fromage mozzarella, de tomates, de moutarde, de basilic et de poivrons, le tout dans la garniture de la tarte) comme plat principal pendant l'été, lorsque des végétariens venaient dîner. C'était assez savoureux et facile à préparer. Mais je n'ai pas pu le servir à Elana (à cause d'une allergie au lait). J'ai modifié la recette d'Elana en avance en remplaçant le fromage par du tofu. J’y suis parvenu, mais je ne savais pas à quel point la dégustation d’une tarte aux tomates se marierait avec ce mode de préparation.

Et elle décide de ne pas servir de tarte aux tomates et continue de raisonner. Puisque c'est l'été, on s'attendrait à ce que le poisson frit soit un excellent plat principal. Mais en même temps, elle se souvient d’autre chose.

La dernière fois que j’ai essayé de servir du poisson frit à Anna, elle n’a pas voulu le manger. J'ai dû déplacer les hot-dogs sur le grill à la dernière minute.

Cela lui fait penser qu'elle ne devrait pas servir le poisson, mais elle veut quand même le faire cuire. Elle se demande s'il existe un moyen de cuire le poisson pour qu'Anna le mange.

Je me souviens d'Anna mangeant du corifena dans un restaurant. Je me demandais quelle partie du corps elle mangerait. Le poisson que je lui ai servi était entier et avec la tête. Et au restaurant, le poisson était servi sous forme de filet et ressemblait plus à un steak qu'à du poisson. J'ai supposé que je devais faire cuire du poisson qui ressemblait davantage à de la viande. L'espadon serait peut-être une excellente option. Je me demandais si Anna préférerait ce poisson pour le dîner. L'espadon a le goût du poulet et je sais qu'Anna aime manger du poulet.

Dans cette situation, elle a utilisé des exemples à la fois cohérents et incohérents de la prémisse (Anna ne veut pas manger de poisson) pour obtenir une explication de la prémisse qui rend la planification difficile.

Dans cet exemple, le raisonnement basé sur des cas a été utilisé pour planifier le dîner. Dans le raisonnement basé sur des cas, le moteur de raisonnement se souvient d’une situation antérieure similaire à la situation actuelle et l’utilise pour résoudre un nouveau problème. Dans l'exemple ci-dessus, des cas mémorisés (précédents) ont été utilisés pour suggérer une façon de résoudre un nouveau problème (par exemple, suggérer un plat principal), suggérer des façons d'adapter une solution qui ne correspond pas tout à fait à la situation (par exemple, remplacer le fromage avec du tofu ), mettre en garde contre d'éventuels refus (par exemple, Anna ne mangera pas de poisson), et interpréter la situation (par exemple, pourquoi Anna ne mange pas de poisson, voudra-t-elle de l'espadon ?).

Le raisonnement basé sur des cas peut impliquer d’adapter des solutions antérieures pour répondre à de nouveaux besoins ; utiliser d'anciens précédents pour expliquer de nouvelles situations ; utiliser d'anciens précédents pour évaluer de nouvelles solutions ; ou basée sur un précédent, cette méthode permet d'expliquer une nouvelle situation (tout comme le font les avocats) ou de créer une solution objective à un nouveau problème (tout comme le font les médiateurs du travail).

Si vous observez comment les gens autour de nous résolvent leurs problèmes, vous remarquerez probablement qu’ils utilisent la méthode du raisonnement à partir de précédents pour résoudre presque tous les problèmes. Les avocats sont formés pour utiliser des affaires antérieures comme précédents pour élaborer et étayer des arguments dans des situations nouvelles. Les médiateurs et arbitres sont également formés à cette méthode. D’autres professionnels n’utilisent pas cette méthode comme principe, mais trouvent souvent qu’elle leur permet de résoudre efficacement des problèmes. Par exemple, considérons une situation dans laquelle un médecin rencontre un patient présentant une combinaison inhabituelle de symptômes. S'il a déjà rencontré un patient présentant des symptômes similaires, il se souviendra probablement de l'ancien précédent et suggérera le diagnostic de l'ancien patient comme solution à son nouveau problème. Si auparavant, discuter d’éventuels troubles du corps du patient prenait beaucoup de temps, cela permet désormais de gagner beaucoup de temps. Bien entendu, le médecin ne peut pas prétendre que son hypothèse passée était correcte. Il doit cependant proposer cette solution au nouveau problème d'une manière qui n'exclut pas d'envisager d'autres diagnostics possibles. Avec tout cela, en se souvenant des précédents, le médecin suggère facilement les moyens les plus appropriés pour résoudre le problème.

De la même manière, un mécanicien automobile confronté à un problème mécanique inhabituel se souviendra probablement d’autres problèmes similaires et décidera si sa solution sera utilisée pour une nouvelle tâche. Les médecins, lorsqu’ils évaluent l’exactitude d’une procédure thérapeutique ou posent un diagnostic adapté à une situation ainsi qu’à d’autres options, sont également susceptibles de se rappeler des précédents lors de l’examen de chaque procédure et de fonder leurs jugements sur l’expérience passée. Les situations problématiques dans les procédures thérapeutiques sont particulièrement utiles dans ce cas : elles indiquent au médecin ce qui aurait pu mal se passer, et lorsque la découverte du problème donne l'occasion d'expliquer pourquoi l'ancien cas s'est produit, le médecin se concentre sur la recherche des informations dont il a besoin pour confirmer plus tard que le problème est plus important ne se posera pas. Nous découvrons des précédents qui ont été cités à plusieurs reprises par nos dirigeants politiques pour expliquer pourquoi certaines mesures ont été prises ou devraient l'être.

La méthode de raisonnement par précédent est largement utilisée dans le raisonnement quotidien basé sur le bon sens. L’exemple ci-dessus de planification des repas est un raisonnement typique car nous le faisons tous jour après jour. Lorsque nous commandons de la nourriture dans un restaurant, nous décidons souvent quelle option serait la meilleure en fonction de nos expériences passées et de ce que nous aimons. Lorsque nous planifions nos activités commerciales, nous nous souvenons de ce qui a fonctionné et de ce qui n'a pas fonctionné auparavant, de la meilleure option et vice versa, et nous utilisons ces connaissances pour créer de nouvelles façons de résoudre les problèmes. Un représentant de la garderie, témoin d'une dispute entre deux enfants, se souvient des méthodes de résolution du problème qui ont fonctionné et de celles qui n'ont pas fonctionné auparavant dans une situation similaire et fonde sa décision sur cela.

En général, résoudre un problème ou une tâche une deuxième fois est plus facile que la première fois car nous nous souvenons et répétons la solution précédente. Nous sommes plus compétents la deuxième fois car nous connaissons nos erreurs et faisons de notre mieux pour les éviter.

La qualité des décisions basées sur la méthode de raisonnement par précédents dépend de 4 facteurs :

expérience existante;

la capacité de comprendre de nouvelles situations du point de vue de l'expérience existante ;

maîtrise de l'adaptation;

compétence d’évaluation.

Un raisonneur moins expérimenté aura toujours moins de compétences au travail qu’un raisonneur plus expérimenté. Mais nous verrons bientôt que les réponses qu’il propose ne sont pas nécessairement pires s’il a une approche créative pour comprendre le problème et s’y adapter. Tous les programmes créés dans le but d'exécuter automatiquement la méthode de raisonnement basé sur des précédents doivent être équipés d'une base de données représentative des précédents. Ces précédents doivent couvrir les objectifs et sous-objectifs qui surviennent au cours du raisonnement et doivent contenir des moyens à la fois réussis et infructueux pour atteindre ces objectifs. Les tentatives réussies seront utilisées pour proposer des solutions à de nouveaux problèmes. Les tentatives infructueuses seront utilisées pour avertir de la possibilité d’un échec.

Comprendre un nouveau problème du point de vue de l'expérience existante comprend deux parties : récupérer les premiers précédents et interpréter la nouvelle situation sur la base de l'expérience passée. La première partie peut être appelée le problème de l’indexation. Au sens large, cette définition signifie retrouver en mémoire un précédent le plus proche d'une situation nouvelle. Au sens strict, le problème de l'indexation consiste souvent à attribuer des index aux cas stockés en mémoire de manière à ce qu'ils puissent être révoqués dans des circonstances appropriées. Récupérer correctement les cas est au cœur du raisonnement basé sur les cas.

L'interprétation est le processus de comparaison d'une situation nouvelle avec un précédent correspondant. Lorsque des situations problématiques sont interprétées, elles sont comparées et contrastées avec d’anciennes situations problématiques. Le résultat est l'interprétation d'une situation nouvelle, en ajoutant les connaissances acquises sur cette situation ou sa classification. Lorsque les nouvelles façons de résoudre les problèmes sont comparées aux anciennes, le décideur obtient un aperçu des avantages et des inconvénients de faire quelque chose d’une certaine manière. En règle générale, l’interprétation des processus est utilisée lorsque les problèmes ne sont pas entièrement compris et lorsqu’il est nécessaire de critiquer une solution. Lorsque le problème est explicitement défini, les processus d’interprétation sont peu nécessaires.

L'adaptation est le processus d'ajustement d'une ancienne solution pour répondre aux besoins d'une nouvelle situation. Il existe huit méthodes d'adaptation. Ils peuvent être utilisés pour ajouter de nouvelles données aux anciennes solutions, ainsi que pour les supprimer ou les remplacer. Le recours à des stratégies d’adaptation aboutit à des réponses compétentes mais souvent sans intérêt. Les réponses créatives résultent de l’application de stratégies d’adaptation dans de nouvelles directions. L’une des caractéristiques du raisonnement basé sur des cas est sa capacité à apprendre de l’expérience, par exemple, un médecin est capable de se souvenir d’un problème difficile afin de pouvoir le résoudre facilement une autre fois. Apprendre de l’expérience nécessite un retour d’information pour pouvoir interpréter ce qui est bien et mal dans la solution résultante. Sans feedback, le moteur de raisonnement peut résoudre le problème plus rapidement, mais il répétera ses propres erreurs et n’augmentera jamais ses capacités. Ainsi, l’évaluation et la correction ultérieure sont des facteurs importants dans la connaissance experte du raisonneur. L'évaluation peut être effectuée dans le contexte des résultats d'autres cas similaires, peut être basée sur un retour d'information ou peut être basée sur une modélisation.

1. Raisonnement par précédents

Il existe deux manières d’appliquer le raisonnement basé sur des cas : résoudre un problème et l’interpréter. Dans la première méthode, les solutions aux nouveaux problèmes sont obtenues en utilisant les anciennes solutions comme guide. Les anciennes solutions peuvent fournir des solutions presque correctes à de nouveaux problèmes et peuvent également fournir des avertissements concernant des erreurs ou des échecs potentiels. L'exemple ci-dessus présente des précédents qui traitaient de la tarte aux tomates comme plat principal, une méthode pour adapter la préparation de ce plat pour ceux qui ne mangent pas de fromage et le type de poisson qu'Anna préférerait. Il y avait aussi un avertissement concernant une éventuelle malchance : Anna ne voudrait pas d'un certain poisson.

En interprétation, les nouvelles situations sont évaluées dans le contexte d’anciennes situations. Par exemple, un avocat utilise l'interprétation dans la méthode de raisonnement à partir de précédents lorsqu'il se réfère à un certain nombre d'affaires anciennes afin d'expliquer des situations controversées dans une nouvelle affaire. Cependant, dans l’exemple original, on peut voir que l’interprétation peut également être utilisée pour résoudre un problème où l’hôtesse tentait de justifier le service de l’espadon à un invité dont on sait qu’il n’aime pas certains types de poissons.

Nous remarquerons bientôt que les deux branches du raisonnement basé sur les cas s’appuient fortement sur un mécanisme de recherche de cas capable de rappeler des situations pertinentes à des moments appropriés. De plus, lors de la résolution de problèmes et de l’interprétation, le fait de mémoriser de nouvelles situations permet d’apprendre de l’expérience. La résolution de problèmes se caractérise par l’utilisation intensive de processus adaptatifs pour créer des solutions et de processus interprétatifs pour évaluer les solutions résultantes. L'interprétation utilise des précédents pour justifier les décisions, permettre l'évaluation de ces décisions lorsque des méthodes clairement définies ne sont pas disponibles et clarifier les situations lorsque les limites d'une situation ne sont pas concluantes ou vagues. Dans ce qui suit, des exemples des deux types de raisonnement basé sur des cas décrits dans cette section seront présentés et une discussion de leur applicabilité.

1.1. CBRet solution au problème

Dans l’exemple original, l’hôtesse a utilisé une approche de résolution de problèmes pour préparer une tarte aux tomates comme plat principal et a suggéré un moyen de l’adapter à un invité allergique aux produits laitiers. De plus, dans le cadre du processus de résolution de problèmes, elle a utilisé un précédent pour anticiper qu'un des invités ne mangerait pas de poisson, ce qui l'a amenée par la suite à planifier le service du dîner en fonction de ce problème. Le processus de résolution de problèmes est utile pour un large éventail de problèmes de résolution de problèmes, notamment la planification, le diagnostic et la conception.

1.1.1. CBRlors de la conception

L’exemple ci-dessus peut être considéré comme une sorte de problème de conception. Il définit les problèmes comme un ensemble de contraintes et leur solution nécessite un outil spécifique qui résout le problème de contrainte. Généralement, les contraintes définies définissent le problème, ce qui signifie qu'il existe de nombreuses solutions possibles. Parfois, cependant, les restrictions limitent trop le problème, c’est-à-dire qu’il n’y a pas de solution si toutes les restrictions sont mises en œuvre. Dans ce cas, résoudre le problème nécessite de clarifier à nouveau la question controversée afin que les contraintes les plus importantes soient satisfaites et que d’autres soient atteintes par un compromis.

Examinons la planification du service de table dans l'exemple original. L'hôtesse doit répondre aux goûts et aux aversions de ses invités, s'en tenir à des plats bon marché, préparer et servir les plats de manière à ce que les invités veuillent les goûter et utiliser des tomates en cuisine. Elle doit également rendre le plat principal et les accompagnements compatibles entre eux sans répéter les composants principaux, proposer des entrées qui complètent le plat, etc. De nombreux plats différents peuvent satisfaire ces exigences. Par exemple, une lasagne végétarienne pourrait constituer un plat principal si elle contenait du tofu à la place du fromage. Et tous les plats d'accompagnement et entrées compléteraient ce plat. Certains autres plats de pâtes pourraient également constituer le plat principal, complétés par divers accompagnements et entrées. Une combinaison de plats principaux, dont l'un satisfera les besoins des convives qui préfèrent la viande et les pommes de terre, un autre séduira les végétariens, etc. combiné avec des plats d'accompagnement et des apéritifs, cela pourrait également être une option pour servir le dîner, satisfaisant toutes les exigences des invités. Avec autant d’options, que devrait choisir la femme au foyer ?

Supposons maintenant qu'elle se souvienne d'avoir servi le dîner à un grand groupe de personnes dans le passé. À l’époque, il n’était pas particulièrement difficile de préparer de grandes quantités de plats bon marché et satisfaisants en y ajoutant des tomates. Et elle a servi des entrées, des lasagnes, une grosse salade de légumes et du pain à l'ail. Mais cette fois, parmi ses invités, il y a une personne allergique aux produits laitiers et végétarienne. Dans cette situation, vous pouvez retirer la viande des lasagnes et la remplacer par du thon dans l'apéritif. Cette approche satisfera à toutes les restrictions, à l'exception de l'évitement des produits laitiers. Pour le satisfaire, vous pouvez remplacer le fromage des lasagnes par du tofu. Cette adaptation de l'ancien menu s'adapte à la nouvelle situation du moment.

Ce qui précède était un exemple de satisfaction des contraintes du problème. Les contraintes fournissent des lignes directrices mais ne donnent pas de réponse précise au décideur. De plus, l'espace de recherche de solutions est immense et, bien qu'il existe de nombreuses réponses qui satisfont à certaines exigences, elles sont suffisamment dispersées dans l'espace de recherche de solutions pour qu'en utilisant les méthodes de recherche standard, la recherche d'une des réponses puisse prendre beaucoup de temps. De plus, le problème est trop vaste pour être résolu avec une solution unique qui ne satisfait qu’à certaines des exigences, car les différentes parties du problème sont étroitement liées les unes aux autres. Si vous résolvez un problème séparément, puis combinez les solutions trouvées, l’interaction entre les parties du problème est presque toujours rompue.

Pour ces types de problèmes, que l’on peut qualifier de difficiles à décomposer, les précédents peuvent fournir un moyen de reconstituer les différentes parties du problème. Au lieu de diviser le problème en parties, de résoudre chacune d'elles séparément et de les combiner en une solution globale, un précédent peut être utilisé qui suggère une solution complète, et les parties du problème qui ne correspondent pas à la nouvelle situation sont adaptées. Bien qu'une adaptation importante puisse être nécessaire pour adapter une ancienne solution à une nouvelle situation, cette méthodologie est presque toujours préférée pour créer une solution à partir de zéro lorsqu'il existe de nombreuses contraintes et que les solutions à certaines parties du problème ne peuvent pas être combinées en une solution globale. En fait, la conception technique et architecturale est le processus d’adaptation complète d’une ancienne solution ou de fusion de plusieurs anciennes solutions pour s’adapter à une nouvelle situation. Résoudre un problème en adaptant une ancienne solution évite de travailler avec de nombreuses limitations et évite que le problème ne soit divisé en parties qui doivent être reconstruites. Par exemple, la combinaison d'un plat principal et d'un plat d'accompagnement n'est jamais prise en compte lors de la résolution d'un problème, car un ancien précédent le prévoit. Lors de la prise de décision, ni la complexité de la préparation, ni les dépenses, ni la diligence ne sont prises en compte. Precedent fournit également une solution à ces limitations. Le problème n’est jamais découpé en parties qu’il faut reconstruire. Les composants défectueux sont corrigés sur place.

Un autre objectif important des cas d’utilisation en conception, comme pour tous les problèmes de résolution de problèmes, est de signaler les problèmes dans les solutions proposées. Lorsque l’hôtesse se souvient qu’un jour Anna ne voulait pas de poisson, elle se rend compte que la solution proposée sera mauvaise.

Le programme JULIA (Kolodner 1987, Hinrichs 1988, Hinrichs 1989) est un système intelligent qui planifie le service de restauration, et les exemples ci-dessus sont des tâches typiques de ce système. "CYCLOPS" (Navinchandra 1988) utilise des techniques de raisonnement basées sur des cas pour l'aménagement paysager. « KRITIK » (Goel 1989, Goel et Chandrasekaran 1989) combine le raisonnement basé sur des cas et le raisonnement basé sur la simulation pour la conception de petits assemblages mécaniques. Le système utilise le raisonnement de cas pour proposer une solution et la simulation pour tester les solutions proposées afin de déterminer où des adaptations sont nécessaires, puis de les proposer.

Au moins un dispositif permettant de résoudre des problèmes de conception est mis en service dans le monde moderne. CLAVIER (Barletta et Hennessy 1989) est utilisé chez Lockheed pour placer des pièces composites fabriquées à partir de substances complexes dans un four afin de créer une pièce structurelle spécifique. La tâche semble inexplicable, puisqu’il n’existe pas de modèle complet de cause à effet sur ce qui fonctionne et comment cela fonctionne. Les pièces de tailles différentes doivent se trouver dans des parties distinctes du four, mais la taille de certaines pièces et leur disposition compacte permettent de chauffer correctement les pièces. La personne responsable de la disposition des pièces tenait un classeur de ses expériences, tant positives que négatives. Fort de ces expériences, CLAVIER peut placer les pièces dans les parties appropriées du four et éviter de placer les pièces dans des endroits dangereux. Cet appareil fonctionne comme un expert, utilisant sa propre expérience. Ainsi, cela est utile lorsqu’un expert n’est pas disponible. CLAVIER utilise presque toujours plusieurs cas d'usage pour concevoir une pièce. On fournit une disposition générale des pièces qui s'adapte en conséquence. Le reste sert à combler les trous dans le tracé.

La médiation entre les cas peut être considérée comme un type de conception dans lequel la spécification du problème est plus limitée. En médiation, deux adversaires ont des objectifs opposés. Dans ce cas, il est impossible d’atteindre un ensemble d’objectifs spécifiques des deux parties. Le rôle du médiateur est d'obtenir une solution de compromis qui atteint autant que possible en partie les objectifs des deux adversaires.

Lors de la résolution de problèmes plus limités, les conditions de conception doivent être redéfinies au fur et à mesure que le problème est résolu. Avant de résoudre un problème en recherchant une solution optimale, il convient d'utiliser l'une des méthodes possibles de minimisation des contraintes. Lorsque l’on utilise la méthode de raisonnement basé sur les cas, la solution la plus correcte à un problème de contraintes devient disponible via un précédent. La solution est ensuite adaptée à la nouvelle situation. Le MEDIATOR (Simpson 1985, Kolodner et Simpson 1989) est le premier dispositif basé sur la technologie du raisonnement basé sur les cas. Le dispositif a résolu des conflits fondamentaux concernant le partage de différentes ressources (par exemple, deux enfants qui veulent les mêmes bonbons ou deux professeurs qui souhaitent utiliser la photocopieuse en même temps). PERSUADER (Sycara 1987) résout les controverses en matière de gestion du travail. Ce dispositif a été pionnier dans l'utilisation de stratégies de paramétrage de la meilleure solution existante afin d'apporter des modifications relativement mineures au contrat existant d'une entreprise, dans lequel certains éléments doivent être formalisés de manière continue, comme l'adaptation du coût de la vie. Le résultat est une solution approximative au problème. Ensuite, pour évaluer la solution approximative, des critiques spécialisés sont nécessaires pour identifier des problèmes plus spécifiques liés au contrat, par exemple si l'entreprise peut se permettre le contrat. La solution approximative qui en résulte peut ensuite être adaptée en appliquant d'autres précédents ou grâce à l'évaluation d'autres critiques. Enfin, pour adapter pleinement la solution, une évaluation finale est donnée par des critiques qui n'étaient pas auparavant impliqués dans le processus d'évaluation de la solution approximative.

Dans presque tous les problèmes de conception, un seul cas d’utilisation ne suffit pas à résoudre le problème. Les problèmes de conception ont tendance à être importants, et lorsqu’un seul cas d’utilisation peut être utilisé pour résoudre une partie spécifique du problème, il ne suffit pas à fournir une solution complète. En général, un cas d'utilisation fournit la structure globale d'une solution, et d'autres sont utilisés pour compléter les détails manquants. Ainsi, la composition et la décomposition du problème ne sont pas utilisées, car il est nécessaire de satisfaire de nombreuses contraintes et de résoudre les problèmes en les simplifiant davantage.

1.1.2. Méthode de raisonnement basée sur des précédents en matière de planification

La planification est le processus d'établissement d'une séquence d'étapes ou d'un calendrier pour atteindre un état spécifique d'un système. L'état à atteindre peut être défini en termes précis, comme la définition de l'état final du puzzle de la Tour de Hanoï (pour terminer le jeu de société, vous devez disposer les disques de manière à ce que le disque n°1 soit au-dessus du disque n°2. , qui, à son tour, doit être au-dessus du disque n°3, et tous les disques doivent être percés avec une tige en bois). L'État peut également être caractérisé par des restrictions à respecter, par exemple la planification de la mise en place de barrières à l'aéroport (une barrière est attribuée à chaque vol ; une barrière ne peut pas être utilisée simultanément pour deux vols). Dans le premier cas, le résultat final du processus de planification est une séquence d’étapes. Dans le second cas, le résultat final est un plan ou un état du système, et le processus de planification doit être utilisé pour le créer.

L'un des premiers mécanismes de planification basée sur des cas était le CHEF (Hammond 1989). "CHEF" a créé de nouvelles recettes basées sur celles qu'il connaissait. Par exemple, lors de la création d’une recette combinant bœuf et brocoli, CHEF s’est souvenu de la recette du poulet et des haricots et a adapté la nouvelle recette en conséquence. Tout d’abord, le bœuf a été introduit sous forme de poulet et le brocoli sous forme de haricots. Deuxièmement, les étapes de préparation du poulet et des haricots ont été enregistrées. Le bœuf n’ayant pas d’os, l’étape de désossage a été supprimée. Aussi, lors de la phase de préparation des légumes, le temps de cuisson total du plat a été redéfini, puisque le brocoli met plus de temps à cuire que les haricots.

De nombreuses questions doivent être résolues au cours du processus de planification. Il y a d’abord le problème du maintien de la cohérence. Les plans efficaces sont cohérents autant que possible, c'est-à-dire les dernières étapes n'affectent pas les résultats des étapes précédentes et les conditions préalables des dernières étapes ne seront pas violées par l'exécution des étapes précédentes (Voir Charniak et McDermott (1985)). Pour remplir cette condition, il faut que les résultats des étapes soient projetés dans le futur (le reste du plan). Deuxièmement, il y a le problème des conditions préalables. Avant de planifier une étape, il est nécessaire de s’assurer que toutes les conditions préalables à cette étape sont remplies. Ainsi, la planification implique l’ordonnancement des étapes, garantissant la réalisation des préconditions en plus de répartir les principales étapes. La résolution simultanée de ces deux problèmes nécessite de grandes opérations de calcul. À mesure que le nombre d’étapes augmente, la complexité informatique de la conception des étapes et de la comparaison des conditions préalables augmente de façon exponentielle.

Le raisonnement basé sur des cas résout ces problèmes en fournissant des plans qui ont été utilisés dans le passé et qui ont déjà résolu ces problèmes. Le décideur n’a qu’à apporter des modifications relativement mineures à ce plan plutôt que de devoir tout planifier à partir de zéro. Une recette pour préparer un plat, par exemple, prévoit une séquence d'étapes et garantit que les conditions préalables à chaque étape sont remplies.

Le raisonnement basé sur des cas offre également des solutions à des problèmes de planification plus complexes (voir Marks, Hammond et Converse (1989)). Dans un processus réel, le nombre d'objectifs en compétition pour le succès est assez important et, en même temps, de nouveaux objectifs se forment au cours de leurs activités. Et si vous essayez d’atteindre chacun d’eux indépendamment les uns des autres, alors le temps de planification et d’exécution, c’est-à-dire le temps total nécessaire pour atteindre chaque objectif, augmentera probablement en raison des interactions. S'il est possible d'atteindre plusieurs objectifs simultanément ou en combinaison les uns avec les autres, la complexité de la solution est alors considérablement réduite. Le raisonnement basé sur des cas permet de combiner des objectifs. Les plans précédemment utilisés sont enregistrés et indexés comme une combinaison d'objectifs atteints. Si la combinaison d’objectifs est répétée, l’ancien plan qui a atteint ces objectifs peut être réutilisé.

D'autres difficultés qui surviennent lors de la planification sont une conséquence de la relation entre la planification et la mise en œuvre du plan dans la réalité. Du point de vue de la planification traditionnelle, comme mentionné ci-dessus, un plan est une séquence d'étapes qui seront exécutées dans le futur, et la planification basée sur les précédents implique de combiner la planification et l'exécution. On ne peut donc pas affirmer qu’une séquence d’étapes bien conçue sera réalisable dans le monde réel. Il y a plusieurs raisons à cela. Premièrement, il est impossible de penser que toutes les connaissances nécessaires à la planification sont bien connues au départ, car souvent de nouvelles connaissances sont découvertes au cours du processus de planification, et certaines ne sont jamais révélées avec certitude. Deuxièmement, le monde n’est pas prévisible. Des circonstances imprévues surviennent (par exemple, une alarme incendie se déclenche lors de l'exécution d'une certaine tâche). Des facteurs inconnus au moment de la planification modifient le cours des événements de manière inattendue (par exemple, quelqu'un a acheté tous les clous d'un certain type nécessaires à la réalisation du plan, et maintenant ils ne sont plus disponibles). Et il est impossible de prédire à tout moment l’issue de ces facteurs (par exemple, quelqu’un a eu faim et a mangé tout le chocolat destiné à la pâtisserie). En général, les circonstances peuvent changer pendant la transition de la planification à l'exécution.

Pour résoudre ce problème, il est nécessaire de reporter au moins une partie de la planification jusqu'à ce que le plan soit exécuté, lorsque davantage de connaissances sont déjà disponibles et qu'il est possible de corriger les étapes irréalisables pendant la planification. De plus, s'il est possible d'anticiper des problèmes lors de l'exécution du plan, le nombre de corrections ultérieures est réduit.

Le programme CHEF (Hammond 1989) utilise l'expérience passée pour aider à prévenir de futurs problèmes avant de préparer un plat. Lorsqu'un problème survient pendant la cuisson, cet appareil tente d'expliquer la cause du problème puis de trouver comment le résoudre. "CHEF" stocke la solution envisagée à un problème et pointe vers les précédents en raison de leurs caractéristiques qui prédisent l'apparition du problème. Avant de générer une solution, CHEF recherche dans la mémoire les mauvaises situations et les utilise pour anticiper les problèmes possibles qu'indiquent les situations qu'il trouve. Puis, à partir de la situation d'échec corrigée, il propose un plan de cuisson qui éliminera le problème précédemment supposé. CHEF a un jour créé une recette pour faire un soufflé aux fraises en modifiant la recette du soufflé à la vanille. Cependant, le soufflé préparé n'a pas levé pendant la cuisson. La raison en était un déséquilibre entre la quantité de démarreur et la quantité de liquide, qui était plus que nécessaire. Puisqu'une façon de se débarrasser de l'excès de liquide est simplement de l'égoutter, CHEF a émis l'hypothèse que si vous égouttez l'excès de liquide qui se forme pendant la cuisson des fraises, le soufflé montera plus tard. Le précédent formé est stocké en mémoire indiquant un soufflé aux fruits, et avant de créer une recette pour un autre soufflé aux fruits, « CHEF » se souviendra de ce précédent et avertira d'un éventuel déséquilibre entre l'entrée et le liquide, et lors de la création d'une recette, il proposera pour évacuer l'excès de liquide.

Il existe également d’autres mécanismes de planification qui résolvent des problèmes non décrits auparavant. TRUCKER (Hammond 1989b) est un programme de courses qui suit les objectifs attendus et est capable de tirer parti des opportunités qui se présentent au cours du processus, permettant ainsi d'atteindre les objectifs plus tôt que prévu. MEDIC (Turner 1989) est un programme de diagnostic. Il peut utiliser des plans antérieurs pour le diagnostic, mais il est suffisamment flexible pour pouvoir suivre la tournure inattendue des événements lorsqu'il est réutilisé. Ainsi, si le programme détecte une insuffisance pulmonaire et que le patient fournit des informations jusqu'alors inconnues sur l'état du cœur, MEDIC analyse quelles informations sont les plus importantes pour le diagnostic. S'il s'avère que le problème cardiaque est plus important, MEDIC interrompra son plan de diagnostic actuel et passera à un plan plus approprié, puis reviendra au plan initial si nécessaire. "EXPEDITOR" planifie les événements de la vie d'un parent qui élève des enfants et qui travaille en même temps. Le programme stocke en mémoire les événements qui ont atteint à plusieurs reprises certains objectifs, en les alternant. Et si lors de la planification initiale le processus était lent, alors avec le temps, le programme acquiert la capacité de planifier, puisqu'il est capable de réutiliser ses propres plans. Enfin, CSI BATTLE PLANNER (Goodman 1989) montre comment les précédents peuvent être utilisés pour évaluer et corriger les plans avant leur mise en œuvre.

1.1.3. CBR pour le diagnostic

Lors du diagnostic, un spécialiste qui doit résoudre un problème reçoit un ensemble de symptômes et doit expliquer ces symptômes. Lorsqu’il existe un petit nombre d’explications possibles, le diagnostic peut être considéré comme une solution à un problème de classification. Cependant, lorsqu'il est assez difficile d'énumérer toutes les explications possibles, le diagnostic peut être considéré comme une solution au problème de la formation d'une explication au problème. Le diagnostic par précédent peut utiliser des situations passées pour expliquer les symptômes et alerter sur la présence d'explications jugées intenables dans le passé. Vous trouverez ci-dessous un exemple d'un des premiers projets SHRINK (Kolodner 1987), un projet de raisonnement basé sur des cas développé pour le diagnostic des hôpitaux psychiatriques.

Un psychiatre observe un patient qui présente des signes évidents de dépression majeure. La patiente rapporte également que, entre autres choses, elle a récemment découvert un problème d'estomac et que les médecins n'ont pas pu trouver de cause connexe à ce problème. En règle générale, les plaintes aléatoires n'avaient pas une importance particulière dans le domaine de la psychiatrie jusqu'à ce qu'un psychiatre se souvienne d'un cas antérieur dans lequel il avait diagnostiqué un patient souffrant de dépression majeure qui souffrait également de troubles physiques qui ne pouvaient être co-expliqués. Ce n'est que plus tard que le psychiatre s'est rendu compte qu'il aurait dû tenir compte de ces plaintes ; il pose alors un diagnostic de trouble de somatisation avec développement d'une dépression majeure secondaire. Il émet en outre l'hypothèse que ce patient pourrait également souffrir d'un trouble de somatisation avec développement d'une dépression majeure secondaire et développe cette hypothèse à l'aide de tests diagnostiques appropriés.

Dans cet exemple, le médecin utilise un diagnostic d’une situation antérieure pour formuler une hypothèse sur le diagnostic d’une nouvelle situation. Cette hypothèse réduit le temps de raisonnement et permet d'éviter les erreurs commises plus tôt. De plus, l’hypothèse du cas précédent l’oblige à concentrer son attention précisément sur les aspects du cas qu’il ne considérerait pas autrement : les symptômes physiques inexpliqués associés au trouble de somatisation.

Bien entendu, on ne peut pas s’attendre à ce qu’un diagnostic antérieur ne change pas dans une nouvelle situation. Tout comme dans la planification et la conception, il est souvent nécessaire d’adapter un ancien diagnostic à une nouvelle situation. Le programme CASEY (Koton 1988) est capable de diagnostiquer les problèmes cardiaques en adaptant les diagnostics antérieurs des patients atteints d'insuffisance cardiaque pour former de nouveaux diagnostics. Par exemple, lorsque CASEY essaie de diagnostiquer un nouveau patient, elle se souvient d'un autre patient nommé David. Même si les symptômes étaient les plus courants, il existait également des différences entre eux. Le nouveau patient, par exemple, avait des valvules cardiaques calcifiées et s'est évanoui à l'effort, mais David ne présentait pas ces symptômes. CASEY a adapté le diagnostic de David pour tenir compte de ces différences. La calcification de la valvule aortique du nouveau patient a été présentée comme une preuve supplémentaire d'une maladie de la valvule aortique, et sa syncope a été présentée comme une preuve supplémentaire d'une insuffisance cardiaque, et la maladie de la valvule mitrale a été incluse dans le diagnostic.

CASEY est un programme relativement simple construit sur un programme de diagnostic basé sur la simulation existant. Lorsqu'un nouveau précédent est similaire à un précédent passé, la formation d'une solution au problème se produit plusieurs fois plus rapidement que, par exemple, un programme de modélisation (Koton 1988). Et comme les adaptations sont basées sur un modèle de cause à effet valide, les diagnostics sont aussi précis que s’ils avaient été créés à partir du même modèle.

Les précédents sont également utiles au diagnostic lorsqu’ils indiquent des moyens de sortir de situations difficiles du passé. Alors que l'incapacité à résoudre des situations difficiles était considérée comme un effet secondaire de SHRINK et CASEY, le programme PROTOS (Baries 1989) a été conçu pour garantir que les situations difficiles soient résolues de manière efficace. PROTOS diagnostique les déficiences auditives. Dans ce domaine, de nombreux diagnostics se présentent de manière similaire et seules des différences mineures peuvent modifier les diagnostics. Un débutant n’a pas la connaissance des petites différences, contrairement à un expert. PROTOS démarre comme un débutant, et quand il commet des erreurs, il apprend de ses erreurs. PROTOS prend ainsi conscience des petites différences. Pour déterminer correctement le diagnostic, il stocke dans sa mémoire des indicateurs de différence, ce qui lui permet par la suite de passer facilement du diagnostic évident au bon.

Créer un diagnostic à partir de zéro est une tâche qui prend du temps. Cependant, dans presque tous les domaines du diagnostic, il existe une régularité suffisante dans l'approche consistant à établir un diagnostic basé sur des précédents, car c'est assez efficace. Bien entendu, un médecin ne peut pas présumer qu’une solution proposée basée sur des cas constitue la réponse. La solution proposée doit être justifiée. Cependant, la justification est souvent beaucoup plus simple que l’établissement d’un nouveau diagnostic. Dans ces types de domaines, le raisonnement basé sur des cas peut être très efficace.

1.1.4. CBR en expliquant

L’explication des choses anormales prévaut dans toute solution à un problème et dans toute compréhension de l’activité humaine. Si nous lisons dans le journal un accident d’avion, nous essayons d’expliquer pourquoi cela s’est produit. Si nous ne parvenons pas à refaire quelque chose, nous essayons d’expliquer ce qui n’a pas fonctionné et nous ne voulons pas recommencer. Si nous entendons que quelqu’un fait quelque chose d’inattendu, nous essayons également d’expliquer la situation. Le processus d'explication résout les problèmes d'attribution du statut de confiance ou de méfiance à une situation, en fonction de ce qui est expliqué (succès ou échec). En général, l’explication consiste à déterminer qui ou quoi est responsable de ce qui s’est passé. C’est un problème que le domaine de l’intelligence artificielle tente de résoudre depuis un certain temps.

L'approche basée sur les cas pour expliquer une situation (Schank, 1986) consiste à expliquer un phénomène en connaissant des phénomènes similaires, à emprunter des explications à ces phénomènes et à les adapter au nouveau phénomène. SWALE (Kass et Leake 1988) est un programme qui fait exactement cela. Par exemple, lorsqu'un cheval de course meurt, le programme rappelle des précédents similaires, chacun d'entre eux l'aidant à expliquer la cause du décès. Lorsque le programme rappelle le précédent dans lequel Jim Fix est décédé d'une crise cardiaque après une course, il se demande si le cheval est mort immédiatement après la course et s'il souffrait d'une maladie cardiaque dont ses propriétaires ignoraient l'existence. Rappelant le précédent de Janis Joplin, SWALE évoque la possible consommation de drogues illégales. Certaines explications ainsi obtenues sont plus plausibles que d’autres, et certaines nécessitent plus d’adaptation que d’autres. Par exemple, si l’on considère l’explication de la consommation de drogue, alors il doit y avoir une personne qui aimerait que le cheval consomme de la drogue (après tout, Janis Joplin a pris de la drogue toute seule, mais le cheval n’est pas capable de le faire), et la raison pour laquelle ce quelqu'un voulait que le cheval se drogue. Cela nécessite un peu plus d'informations que l'explication dérivée du précédent de Jim Fix mourant d'une crise cardiaque.

Ainsi, expliquer une situation à partir de précédents nécessite un mécanisme de recherche capable de retrouver des précédents similaires, un mécanisme d’adaptation qui doit être assez créatif et un mécanisme de vérification qui peut décider si l’explication résultante a un sens.

1.2. Méthode de raisonnement explicative à partir de précédents

La méthode explicative de raisonnement à partir de précédents est le processus d'évaluation d'une situation ou de sa solution dans le contexte d'une expérience antérieure. Il présente une situation ou une décision comme entrée, et la sortie contient une classification de la situation, un argument soutenant la classification ou la décision, et/ou des preuves pour l'argument ou la décision. Cette méthode est utile pour classer une situation, évaluer une décision, argumenter, justifier une décision, interpréter ou planifier et projeter les conséquences d'une décision ou d'un plan.

Les juges de la Cour suprême utilisent cette méthode pour prendre une décision. Ils interprètent le nouveau précédent à la lumière des événements antérieurs. Le nouveau précédent est-il similaire à l’ancien ? Dans quelle mesure les cas comparés sont-ils similaires ? Quelle différence ? Supposons que nous interprétions un nouveau précédent d’une manière ou d’une autre et que nous essayions d’en comprendre les conséquences. Les avocats utilisent la méthode explicative du raisonnement à partir de précédents lorsqu’il est nécessaire de justifier des arguments. Chaque jour, des gens dans la rue utilisent cette méthode. Par exemple, un enfant qui dit à ses parents : « Mais tu permets à ta sœur de faire ça » pour justifier son argument. Les managers prennent des décisions stratégiques en fonction de ce qui s'est produit dans le passé. Ainsi, le raisonnement explicatif basé sur des cas est souvent utilisé pour évaluer les avantages et les inconvénients de la résolution d’un problème. Un arbitre, par exemple, qui vient de fixer le salaire d'un joueur de football, peut examiner d'autres joueurs de football ayant des salaires similaires pour voir si le nouveau salaire est cohérent avec d'autres décisions salariales.

La méthode explicative du raisonnement basé sur des cas est particulièrement utile pour l’évaluation lorsqu’il n’existe aucune méthode informatique pour évaluer une décision ou une condition. Habituellement, dans de telles situations, il existe de nombreuses quantités inconnues et même si des méthodes informatiques étaient disponibles, les connaissances nécessaires pour travailler avec elles ne sont généralement pas disponibles. Un décideur qui utilise des précédents pour évaluer et justifier des décisions ou des explications explique de manière présomptueuse le manque de connaissances en affirmant que le monde est illimité et qu’il est impossible de tout savoir.

Ensuite, trois problèmes seront brièvement discutés dans lesquels la méthode explicative de raisonnement à partir de précédents est utile pour la justification, l’interprétation et la projection. Dans la justification, on démontre la raison ou la preuve de la complexité d'un argument, d'une condition ou d'une décision. En interprétation, on essaie de replacer une nouvelle situation dans son contexte. Projection signifie prédire les conséquences d’une décision. Tous ces problèmes ont un fil conducteur de raisonnement commun. Certains précédents étayeront l’interprétation ou les conséquences projetées d’une décision. D'autres cas d'utilisation prendront en charge d'autres processus. Et le décideur doit comparer et contraster les précédents afin de prendre une décision.

1.2.1. Justification et raisonnement contradictoire

Dans le raisonnement contradictoire, des arguments convaincants sont présentés pour prouver à l’adversaire la justesse de sa position. Par exemple, les avocats prouvent ainsi quotidiennement leur cause. D'autres personnes font de même, essayant de convaincre quelqu'un qu'ils ont raison de résoudre un certain problème. Une personne peut même raisonner de manière compétitive avec elle-même, en essayant de se convaincre de la qualité et de l'exactitude de la solution qu'elle vient d'obtenir à un certain problème. Pour présenter un argument convaincant, il est nécessaire de formuler une position et de la justifier soit par des faits irréfutables, soit par des conclusions raisonnables. Mais le plus souvent, une position ne peut être justifiée qu’en utilisant une expérience ou un précédent pertinent.

Le système juridique américain est un système fondé sur des précédents. Il existe de nombreuses règles dans ce système, et chacune d'elles a ses propres expressions, qui sont définies avec précision, et beaucoup d'entre elles se contredisent. La manière la plus efficace d’interpréter les lois est de s’appuyer sur des précédents. Les lois constituent ainsi un bon domaine d’étude pour l’étude du raisonnement contradictoire et du raisonnement fondé sur un précédent (Rissland 1983, Bain 1986, Ashley 1987, 1988, Branting 1989).

Le programme HYPO (Ashley 1988, Rissland et Ashley 1987) est le plus ancien et le plus expérimenté en matière de raisonnement juridique. La création de méthodes pour argumenter et justifier une décision comprend plusieurs étapes. Premièrement, la nouvelle situation est analysée pour déterminer les facteurs pertinents. Grâce à ces facteurs, des précédents similaires sont extraits. Ils sont classés selon ce qui se rapproche le plus de la nouvelle situation. Certains soutiennent la situation, d’autres font le contraire. La plupart des précédents qui étayent la nouvelle situation sont utilisés pour construire un argument en faveur de la solution proposée. D’autres précédents qui ne soutiennent pas la nouvelle situation sont nécessaires pour créer des contre-arguments. Les arguments formés sont ensuite contrés par des contre-arguments. Le résultat du programme est un ensemble d’arguments à trois niveaux, chacun étant justifié par un précédent correspondant. Le principal effet secondaire de ces arguments est de mettre en évidence les problèmes potentiels.

Considérez, par exemple, le précédent non divulgué avancé par HYPO. John Smith a développé un programme d'analyse structurelle appelé « NIESA » alors qu'il travaillait à la Structural Dynamics Research Corporation (SDRS). Il a imaginé ce programme et était entièrement responsable de son développement. En rejoignant SDRS, il a signé un accord d’informations confidentielles sur les employés dans lequel il s’engage à ne divulguer ni à utiliser aucune information confidentielle. Et après avoir quitté le SDRS, il est allé travailler au Centre européen de recherche en marketing (EMRC) en tant que vice-président du développement logiciel. Onze mois plus tard, EMRC a commencé à vendre le programme de John (NIESA), qu'il avait repensé à l'aide de notes issues du développement de l'ancienne version du programme dans SDRS. Les employés du SDRS ont divulgué des parties du code du logiciel NIESA à une cinquantaine de clients. Et maintenant, John Smith est poursuivi pour violation d'un accord de non-divulgation.

HYPO a fait valoir ses arguments auprès du défendeur SDRS. Elle a utilisé les facteurs présents dans cette affaire pour formuler une série de questions auxquelles il fallait répondre : la divulgation du code du logiciel NIESA à cinquante clients annule-t-elle la NDA ? Le fait que John Smith ait été le seul développeur du programme invalide-t-il la NDA ? Le programme a créé plusieurs précédents et a formé un argument dans lequel il y avait un procès entre les sociétés Midland-Ross et Sunbeam, et parce que le plaignant avait divulgué des informations sur ses produits à des tiers, le défendeur aurait dû gagner la plainte pour détournement de secrets commerciaux. . Cependant, sur la base des différences entre la nouvelle situation et l’ancienne, un contre-argument peut être formé. Dans le cas de Midland-Ross, l'information a été divulguée à un plus grand nombre de personnes extérieures et le défendeur a gagné quelque chose de précieux pour la conclusion du contrat. Ce point de vue peut être étayé par une autre affaire dans laquelle Data General a poursuivi Digital Computer et le plaignant a gagné, même si l'information a été divulguée à encore plus de personnes extérieures que dans l'affaire Midland-Ross. Cependant, la réfutation a été formulée sur la base de ce précédent. Dans ce précédent, le défendeur a gagné parce que la divulgation était limitée. Et dans cette situation, les informations du seul développeur du nouveau produit ont été révélées.

Des arguments et justifications similaires se produisent chaque jour. Par exemple, on s'attendrait à ce qu'un enfant de 13 ans à qui ses parents lui ont dit de ne pas regarder de films d'horreur à minuit se souvienne de toutes les situations dont il se souvient pour justifier sa situation. Si son ami, qui a également 13 ans, est autorisé à le regarder, il l'invoquera à son avantage. Si sa sœur est autorisée à regarder des films d’horreur, il y fera également référence. Et tandis que ses parents avancent leurs propres arguments, il en fera d’autres pour les contrer.

En général, les précédents sont utiles pour construire des arguments et justifier des positions lorsqu’il n’existe pas ou peu de principes spécifiques, ou lorsque les principes sont incohérents ou que leur signification est mal définie.

1.2.2. Classement et interprétation

L'espadon est-il le type de poisson qu'Anna choisirait pour le dîner ou non ? Il s'agit d'une question explicative qui est posée dans l'exemple au début du chapitre. En général, l’interprétation dans le contexte d’un raisonnement basé sur des cas consiste à décider si un concept correspond à une classification limitée ou implicitement limitée. La classification peut être établie à la volée (par exemple, le type de poisson qu'Anna préférera) ou peut être bien connue mais pas suffisamment définie en termes de conditions nécessaires et suffisantes. De nombreuses classifications proposées sont définies comme des classifications d'une variété illimitée. Par exemple, on pourrait supposer qu'un véhicule est un appareil doté de roues utilisé pour le transport, mais lorsqu'un panneau routier indique « Véhicules interdits dans le parc », il ne fait probablement pas référence à un fauteuil roulant ou à une poussette, qui sont tous deux conformes aux primitives. définition de la classification proposée. La création de certaines particularités accompagne constamment le travail des avocats. De même, lorsqu’un médecin doit déterminer si un patient est schizophrène ou qu’un oto-rhino-laryngologiste doit déterminer si un patient souffre d’un trouble auditif particulier, le processus de reconnaissance est semé d’ambiguïté. Il existe de nombreux types de manifestations de la schizophrénie, et les conditions nécessaires et suffisantes ne nous disent pas comment traiter les cas intermédiaires. Et l'exemple du début du chapitre montre qu'il est souvent nécessaire de procéder à un raisonnement explicatif, car cela fait partie des tâches quotidiennes du bon sens.

Une façon dont fonctionnent les classificateurs basés sur des cas est que le classificateur détermine si un nouveau concept est aussi suffisant qu'un autre concept précédemment connu et ayant une classification cible. Est-ce ainsi que fonctionne le classificateur PROTOS (Bareiss, 1989) pour diagnostiquer une déficience auditive ? Au lieu de classer les nouveaux cas en utilisant des conditions nécessaires et suffisantes, PROTOS génère une classification en essayant de trouver la correspondance la plus proche de la nouvelle situation dans la base de connaissances. Il classe la nouvelle situation en utilisant la classification du précédent trouvé. Pour ce faire, PROTOS suit la nature des cas primaires et comment ils diffèrent les uns des autres au sein d'une certaine classification. Sur la base des différences entre les cas d'utilisation, PROTOS tente de les faire correspondre en mettant à zéro les paramètres qui ne correspondent pas dans l'ancien cas d'utilisation.

Si aucun des précédents ne correspond suffisamment, il est parfois nécessaire d’envisager des situations hypothétiques. Une grande partie des travaux sur ce type d’interprétation provient de l’étude de l’argumentation juridique. Supposons, par exemple, qu'un avocat doive faire valoir que son client n'est pas coupable de violation d'un accord de non-divulgation parce que la seule personne à qui il a divulgué des informations n'était pas techniquement compétente pour utiliser ces informations à ses propres fins. Il existe plusieurs précédents pour justifier cet argument. Pour tester cela, vous pouvez imaginer un cas d'utilisation hypothétique qui va au-delà des cas d'utilisation réels dans les limites des tests. On pourrait imaginer une situation dans laquelle la personne qui divulgue l’information n’est pas techniquement compétente mais est présidente d’une entreprise dotée d’un personnel technique. Une autre personne hypothétique pourrait également ne pas être techniquement compétente, mais sa femme, à qui il a transmis l'information, l'était. L’interprétation basée sur des précédents hypothétiques aide à façonner l’argumentation en faveur d’un concept particulier ou vice versa.

Tout ce qui précède est réalisé par le programme HYPO (Rissland 1986, Ashley 1987). Ce programme est le plus ancien et le plus complexe pour interpréter le raisonnement à partir de précédents. HYPO utilise des situations hypothétiques pour diverses tâches nécessaires à une interprétation efficace : reconsidérer des situations anciennes en termes de nouveaux facteurs, créer de nouveaux précédents standards lorsque ceux nécessaires n'existent pas, explorer et tester les limites de la validité d'un concept, redéfinir un précédent en éliminant certains problèmes, réaliser des hypothèses cachées et organiser ou regrouper des cas. HYPO crée une situation hypothétique en utilisant une « instance » de la situation actuelle. Une situation hypothétique peut être à la fois plus forte et plus faible que la situation réelle selon différents points de vue. Ce processus régit une série de modifications heuristiques qui suggèrent des directions appropriées pour créer une situation hypothétique basée sur les besoins d'argumentation actuels. La stratégie d'argumentation HYPO guide un ensemble de modifications heuristiques. Par exemple, pour contrer un contre-exemple, vous pouvez proposer une variante d’une nouvelle situation qui rend la situation similaire au contre-exemple.

Lorsqu'un concept est généré à la volée, l'interprétation nécessite une étape supplémentaire : déduire un ensemble de propriétés définissant une catégorie particulière. Par exemple, pour déterminer si Anna préférerait un espadon, il faut d'abord essayer de caractériser les propriétés du poisson qu'Anna trouverait acceptables. Sinon, il sera impossible de dire avec certitude quel type de poisson elle veut. Le poisson qu'elle a mangé au restaurant avait à peu près le même aspect et le même goût que la viande. La truite dont elle ne voulait pas ressemblait à un poisson. Ce sont ces aspects qui doivent être pris en compte pour déterminer si l’espadon est une option appropriée. Il est assez facile pour un humain de déterminer ces aspects, mais faire en sorte qu'un ordinateur le fasse automatiquement est un problème équivalent à celui de déterminer la responsabilité du résultat final.

1.2.3. Conséquences projetées

La projection est le processus de prévision des conséquences d'une décision ou d'un plan et constitue une partie importante de la composante d'évaluation de tout système de planification ou d'aide à la décision. Lorsque tout est connu sur une situation, la projection est simplement le processus consistant à tirer les conclusions logiques connues d’une décision afin de voir où cette décision mènera. Cependant, le plus souvent, dans les problèmes du monde réel, tout n’est pas connu et les conséquences ne peuvent être prédites avec précision sur la base d’un simple ensemble de règles d’inférence.

Prenons par exemple la situation d’un commandant sur le champ de bataille qui doit élaborer une stratégie pour la bataille à venir. La doctrine est un ensemble de règles de combat, et ces règles peuvent être utilisées pour créer un premier plan de bataille approximatif. Mais la doctrine donne des règles pour la situation dans son ensemble, et non pour des situations spécifiques dans lesquelles les troupes sont fatiguées, la stratégie du commandant ennemi est bien connue, il pleut depuis une semaine ou les montagnes sont situées de manière à laisser de l'espace. pour un piège. En planification, les petits facteurs de la situation font une grande différence, comme dans de nombreuses autres situations. De nombreux détails méritent attention, et seuls quelques-uns d’entre eux sont vraiment importants. Et, comme dans d’autres situations conflictuelles, il est impossible de tout savoir sur les adversaires, de prédire leur stratégie ou de prédire toutes leurs réactions ou contre-plans. Cependant, il est nécessaire de créer un bon plan et de l’évaluer en fonction des conséquences prévues.

Les précédents permettent de projeter les conséquences en fonction de ce qui était vrai dans le passé. Les précédents de plans similaires qui ont échoué peuvent indiquer des problèmes potentiels avec le plan actuel. Si un plan précédent, similaire à celui actuel, échouait parce que les troupes étaient fatiguées, le commandant le saura et saura si ses troupes sont fatiguées et, si c'est le cas, il en tiendra compte. Il peut modifier son plan afin que la fatigue des troupes ne soit pas un facteur influençant le résultat de la planification, et permettre aux troupes de se reposer ou de recevoir de nouvelles troupes pendant la bataille. Les précédents de plans similaires réussis confèrent de la crédibilité au plan actuel. De plus, lorsque les étapes du plan doivent être évaluées, les précédents peuvent aider à évaluer quelque chose. Les conséquences de l’utilisation d’un type particulier de piège, par exemple, peuvent être évaluées en rappelant un précédent dans lequel un piège similaire avait déjà été utilisé.

L'utilisation automatisée de cas pour projeter les conséquences de la planification n'était pas l'objectif de l'étude de raisonnement basé sur des cas, mais fournit une assistance à la planification humaine. BATTLE PLANNER de CSI (Goodman, 1989) est un système de recherche de cas dont l'interface est conçue pour permettre à une personne d'utiliser des cas pour prédire les conséquences de la planification. BATTLE PLANNER récupère les meilleurs cas utilisant un plan similaire et les classe en cas de réussite et d'échec. Une personne peut examiner les précédents, les utiliser pour corriger son plan, puis tenter de faire une évaluation similaire du plan révisé. Le système peut également être utilisé pour effectuer une analyse de sensibilité. En manipulant les détails de la situation et en observant les changements dans le nombre de victoires et de défaites (en posant des questions de type « et si »), il est possible de déterminer quels facteurs de la situation actuelle sont décisifs pour améliorer la situation.

La projection est aujourd’hui l’un des obstacles les plus importants auxquels est confrontée la communauté de l’urbanisme. Dans le monde réel, une personne qui planifie un processus doit être capable de projeter les conséquences des étapes du plan afin d'entrelacer correctement les tâches, de planifier les dernières étapes avant l'exécution des premières étapes et de gérer les imprévus. Le raisonnement basé sur des cas a apporté une contribution majeure à la résolution de ce problème, mais jusqu'à présent, la plupart des efforts ont été consacrés à l'aide à l'utilisation des cas pour projeter les conséquences, et peu d'efforts ont été consacrés à l'automatisation du processus de projection.

1.2.4. Raisonnement explicatif basé sur des cas et résolution de problèmes

Une grande partie du travail d'interprétation s'est concentrée sur la jurisprudence et a consisté à affirmer des arguments pour ou contre une certaine interprétation de la loi. Mais ne pensez pas que l’interprétation basée sur des cas soit réservée aux problèmes d’interprétation. Au contraire, il est également utile comme élément évaluatif ou décisif pour résoudre un problème ou prendre une décision en l’absence de modèles de cause à effet stables. Bien que peu de travaux aient été réalisés dans ce domaine, les processus impliqués dans le raisonnement explicatif basé sur des cas ont le potentiel de jouer plusieurs rôles importants dans la résolution de problèmes. Premièrement, si la structure de la solution est connue, ou si les contraintes sous-jacentes sont connues, il est alors possible de sélectionner des cas qui apporteront une solution spécifique au problème. Deuxièmement, former un argument et une justification permet de savoir sur quelles caractéristiques se concentrer. Troisièmement, les méthodes HYPO peuvent indiquer quelles propriétés, si elles sont présentes, contribueraient à une meilleure solution. Ceci est réalisé en suivant les aspects critiques et en créant des précédents hypothétiques. Lors de la résolution d’un problème, ces informations peuvent être utiles pour les processus d’adaptation. Enfin, les méthodes interprétatives peuvent être utilisées pour prédire la pertinence, la qualité et le résultat d’une solution.

2. CBR et de la formation

Le raisonnement basé sur des cas est une méthodologie de raisonnement et d’apprentissage. Le moteur de raisonnement basé sur des cas est entraîné de deux manières. Premièrement, il augmente son efficacité en se souvenant des anciennes situations et en adaptant de nouvelles situations au lieu de récupérer des réponses à chaque fois. Si un cas d'utilisation a été adapté d'une nouvelle manière, résolu à l'aide d'une nouvelle méthode ou a été résolu en combinant les solutions de plusieurs cas, puis appelé à résoudre la nouvelle situation suivante, alors les étapes nécessaires pour le résoudre ne seront pas répétées. encore. Deuxièmement, un argument dérivé d’un précédent devient plus compétent avec le temps, produisant de meilleures décisions qu’il n’aurait pu prendre avec moins d’expérience. L’une des forces de cette méthode est sa capacité à anticiper et ainsi éviter les erreurs commises dans le passé. Cela est possible car les situations problématiques sont stockées en mémoire et indexées par les fonctionnalités qui prédisent les anciennes erreurs.

Au sein de l’intelligence artificielle, lorsque l’on parle d’apprentissage, cela signifie généralement l’apprentissage de règles générales à travers des méthodes inductives ou explicatives. Alors que le moteur de raisonnement remarque les similitudes entre les cas, et peut donc remarquer quand les règles générales doivent être formées, la formation inductive des règles générales n'est responsable que de l'apprentissage du moteur. La formation du mécanisme de raisonnement basé sur les cas est possible de deux manières : en accumulant de nouveaux cas et en attribuant des indices. Les nouveaux précédents fournissent des contextes plus familiers pour résoudre des problèmes ou évaluer des situations. Plus la base de précédents est large, plus le mécanisme de raisonnement est efficace. Dans le même temps, les situations réussies et infructueuses doivent être stockées en mémoire. De nouveaux index vous permettent de configurer la récupération des précédents de la mémoire à tout moment approprié.

On ne peut donc pas dire que les généralisations ne soient pas importantes. En effet, les précédents peuvent fournir la bonne direction pour la formation d’une généralisation utile à la résolution d’un problème. Comment ça marche? Lorsque plusieurs cas sont indexés de la même manière et prédisent approximativement la même solution ou peuvent être classés de la même manière, ces cas peuvent être généralisés. De plus, la combinaison d'indices et de solutions ou classifications prédites fournit des indications lors du choix du niveau d'abstraction de la généralisation générée. Parfois, différents précédents peuvent être utilisés pour résoudre un problème, et parfois des combinaisons de précédents et de cas généralisés peuvent être nécessaires. Même si des cas d’utilisation généralisés ne sont pas nécessaires, ils permettent d’organiser correctement les cas d’utilisation en mémoire. Le processus de généralisation peut être interprété comme un moyen de former des règles utiles qui pourraient ensuite être utilisées pour résoudre des problèmes. Ces règles peuvent être utilisées lorsqu’elles correspondent étroitement aux précédents, et des précédents uniques peuvent être utilisés lorsqu’il n’existe pas de règle appropriée ou qu’elle n’est pas applicable dans une situation donnée.

3. Processus et résultats

La vision traditionnelle du raisonnement, tant en intelligence artificielle qu’en psychologie cognitive, est qu’un moteur de raisonnement se voit attribuer un problème qu’il peut résoudre à l’aide d’opérateurs abstraits qu’il a lui-même imaginés et composés. Mais, comme les exemples l’ont montré, la méthode de raisonnement par précédent adopte une approche différente. Plutôt que de considérer le raisonnement comme un processus de construction, le processus de raisonnement est considéré comme le rappel d'un ou plusieurs précédents ou décisions spécifiques basés sur une comparaison d'une situation nouvelle et d'une instance ancienne.

Comme nous l’avons déjà noté, les cas sont utilisés de deux manières très différentes lors du raisonnement. Les précédents fournissent des solutions approximatives adaptées à une situation nouvelle et fournissent des preuves concrètes en faveur d'une solution ou vice versa. La solution qui en résulte déclenche la procédure de critique ou d’évaluation. Ainsi, la méthode de raisonnement par précédent propose le processus de « se souvenir d'un précédent et d'adapter sa solution » et de « se souvenir d'un précédent et d'évaluer une nouvelle situation en fonction de son résultat ».

Deux types de méthodes de raisonnement à partir de précédents ont émergé au fur et à mesure de leur utilisation. Lors de la résolution d’un problème, des précédents sont nécessaires pour suggérer des solutions ; lors de l'interprétation, les précédents aident à évaluer et à justifier une situation (par exemple, une loi). Mais comme l’ont montré des exemples, ces deux styles ne se chevauchent pas complètement. Des méthodologies d'interprétation sont utilisées pour évaluer et justifier la décision. Et, peut-être, pour interpréter la situation, vous devrez répondre à la question (c'est-à-dire résoudre le problème).

Les principaux processus utilisés dans le raisonnement basé sur les cas sont la récupération et le stockage des cas (mise à jour de la mémoire). Pour garantir que les mauvaises solutions à un problème ne se répètent pas avec les bonnes, le moteur de raisonnement de cas doit également évaluer ses solutions.

Chaque type de méthode de raisonnement basé sur des cas nécessite que tout processus de raisonnement ne commence qu'après que le cas correspondant ait été récupéré de la mémoire. Dans la résolution de problèmes, une solution approximative à un nouveau problème est proposée en extrayant la solution d’un précédent reconstruit. Ce processus s'accompagne d'une adaptation, d'une correction de l'ancienne solution pour l'adapter à la nouvelle situation, d'une critique et d'une évaluation de la nouvelle solution avant de l'appliquer. Lors de l'interprétation d'un problème, un résultat approximatif ou souhaité est proposé, parfois basé sur des précédents récupérés, parfois basé sur l'imposition de précédents de l'extérieur (par exemple, lorsqu'un client d'un avocat exige un certain résultat). Vient ensuite la justification, la formation d'un argument pour une solution proposée, obtenue en comparant et en contrastant la nouvelle situation avec les précédents précédents, la critique et le processus de justification de l'argument, obtenu en créant des situations hypothétiques et en essayant de les défendre.

Ces étapes sont en quelque sorte récursives. La critique et l’adaptation, par exemple, nécessitent souvent l’extraction de nouveaux précédents. Il existe également plusieurs boucles dans ce processus. La critique ainsi que l'évaluation peuvent conduire à une adaptation supplémentaire. Si le raisonnement échoue lors de l'utilisation d'un précédent, l'ensemble du processus doit être redémarré et un travail supplémentaire avec le nouveau précédent sélectionné est nécessaire. La figure 1 résume les interactions des étapes CBR.

Figure 1 - Cycle CBR.

Comme le montrent les exemples ci-dessus, le raisonnement à partir de précédents est un raisonnement naturel pour chaque personne, ce qui peut atténuer bon nombre des difficultés qui entravent le développement de l’intelligence artificielle. Cependant, pour développer des systèmes de raisonnement basés sur des cas, il faut répondre à plusieurs questions. Beaucoup de ces questions nécessitent une explication du processus de raisonnement humain. Les sections suivantes fourniront un bref aperçu de chaque étape et une discussion des problèmes qui doivent être résolus afin d'expliquer et d'automatiser le mécanisme de raisonnement à partir de cas.

3.1. Extraire des précédents

Le processus de récupération d'un précédent ou d'un ensemble de précédents de la mémoire se compose de deux étapes :

Restaurer les précédents. Le but de cette étape est d’obtenir de « bons » précédents pouvant étayer le raisonnement dans les étapes ultérieures. Les « bons » précédents sont capables de prédire une nouvelle situation. La récupération est effectuée à l'aide d'index qui décrivent diverses propriétés des précédents. Les cas correspondant aux indices nécessaires à la prise de décision sont récupérés de la mémoire.

Sélection des meilleurs précédents. A ce stade, les précédents les plus prometteurs générés lors de la première étape sont sélectionnés. Le but de la sélection est d'éliminer les précédents peu prometteurs et de créer des candidats dignes d'un examen approfondi. Parfois, il est conseillé de sélectionner un précédent, parfois plusieurs.

L’un des problèmes du processus d’extraction est que parfois deux cas doivent être évalués de la même manière même s’ils présentent peu de caractéristiques similaires. Les stratégies de football et d’échecs, par exemple, ont beaucoup en commun, même si leurs propriétés spécifiques au jeu sont différentes. Un jeu se joue sur un plateau, un autre sur un terrain, un jeu utilise des pièces, un autre des joueurs, un jeu a deux adversaires, un autre deux équipes. Les propriétés générales de ces jeux sont plus abstraites, caractéristiques des jeux compétitifs. Il y a deux adversaires, chacun veut gagner et chacun veut que l'autre perde, les deux stratégies de jeu impliquent une planification et une contre-planification, des positions sur le terrain de jeu, même si pour le football, le terrain de jeu est le véritable terrain avec les joueurs, et pour les échecs, c'est un plateau de table avec des chiffres. Cependant, il existe ce qu'on appelle les échecs d'entreprise - un jeu d'échecs en équipe, et il y a un expert qui sait planifier la répartition des joueurs. Une façon de résoudre ce problème consiste à utiliser des caractéristiques (indices) plus détaillées des cas d’utilisation, qui doivent également être cartographiées à des niveaux de représentation plus abstraits. Cela nécessite de décider quelles manières abstraites de représenter les cas sont appropriées pour pouvoir les comparer (Birnbaum et Collins 1988, Collins 1987).

Un autre problème est que la nouvelle situation et le précédent peuvent partager certaines caractéristiques communes dérivées de l’extérieur sans partager de caractéristiques individuelles communes. Par exemple, pour prédire qui gagnera une bataille, la principale prédiction est la force de l’attaquant et du défenseur, mais individuellement, ni la force de l’attaquant ni la force du défenseur ne peuvent prédire l’issue de la bataille. Les cas doivent également être évalués sur la base de leurs relations (caractéristiques dérivées) plutôt que sur la base de propriétés individuelles (caractéristiques extrinsèques). Une situation similaire se présente dans le domaine du diagnostic. Afin de comprendre la situation actuelle et d’extraire le précédent nécessaire, il est nécessaire de comparer les caractéristiques dérivées (troubles et affections hypothétiques) plutôt que les caractéristiques externes (symptômes spécifiques manifestés chez les patients). Le problème est qu’il est nécessaire de développer une manière efficace de générer des caractéristiques dérivées. Cela nécessite des conseils sur la manière de générer des caractéristiques dérivées, car cela est souvent coûteux, et même si cela était bon marché, il est clairement coûteux de générer toutes les caractéristiques dérivées possibles.

Et, bien entendu, il est nécessaire de développer un algorithme permettant de rechercher rapidement de vastes référentiels de précédents (Kolodner 1984, 1988b).

Les problèmes ci-dessus peuvent être combinés dans ce que l’on appelle le problème d’indexation. Au sens large, le problème de l'indexation est le problème de la récupération des cas pertinents au moment approprié (malgré tous les problèmes décrits ci-dessus). En général, il est problématique d'attribuer des étiquettes (indices) aux cas d'utilisation qui indiquent dans quels cas chaque cas d'utilisation peut être utilisé. Ces étiquettes étaient traitées de la même manière que les index des livres. Tous les cas de la base de connaissances sont indexés et la nouvelle situation est utilisée comme clé d'un index donné, à travers lequel le cas correspondant est récupéré. Les chercheurs s'efforcent d'indiquer quels index sont les plus utiles, en publiant des dictionnaires d'index, en créant des heuristiques et des algorithmes pour automatiser la sélection d'index, en organisant les cas en fonction des index, en recherchant des cas à l'aide d'index et en sélectionnant le meilleur cas d'utilisation. Les index doivent fournir une recherche utile et précise sans influencer indûment la recherche, ce qui est l'une des questions les plus importantes dans le raisonnement basé sur des cas.

3.2. Fournir une solution approximative

À ce stade, les parties pertinentes des cas sélectionnés lors du processus d'extraction forment une solution approximative au nouveau cas. En règle générale, dans le processus de résolution d'un problème, cette étape comprend le choix d'une solution à l'ancien problème ou à une partie de celui-ci. La solution trouvée ou la partie sélectionnée de la solution est une solution approximative au nouveau problème. Le processus d'interprétation consiste à décomposer les cas récupérés en fonction des interprétations et des solutions qu'ils prédisent et à attribuer l'interprétation initiale à un nouveau problème. Alternativement, l'interprétation initiale peut avoir déjà été donnée (par exemple, lorsqu'un avocat doit comparaître pour un client). Dans cette situation, cette étape n’est pas nécessaire.

Par exemple, lorsque vous planifiez préparer le dîner, vous pouvez vous concentrer sur le plan de cuisson d'une situation passée, c'est-à-dire un précédent appris, et utiliser ce plan comme solution approximative. Si ce n'est pas l'intégralité du plan, mais une partie de celui-ci, qui est nécessaire à la préparation, alors la partie correspondante du plan extrait sera une solution approximative. Ainsi, si le programme JULIA, qui tente de créer une recette de dîner pour 20 personnes peu coûteuse et facile à préparer, se souvient du précédent dans lequel étaient servis un apéritif italien traditionnel, des lasagnes, du brocoli et un dessert composé de glace et de noix pour le dîner, alors ce précédent sera une solution approximative pour de nouvelles situations pertinentes. Le plat principal approximatif est sélectionné de la même manière, par exemple les lasagnes, qui étaient le plat principal dans la situation précédente.

À ce stade, le programme d'interprétation décide laquelle des interprétations approximatives est la plus appropriée pour une argumentation ultérieure. PROTOS, par exemple, utilise une fonction d'évaluation assez rudimentaire pour déterminer quels cas sont les plus appropriés à une nouvelle situation. HYPO, qui est lui-même un programme de formation destiné aux étudiants en droit, propose un ensemble sélectionné d'alternatives pour plaider la cause devant le juge ou le jury. Ainsi, le programme ne démarre réellement qu’à l’étape suivante.

Plusieurs problèmes peuvent survenir lors de la génération d’une solution approchée. Premièrement, la question se pose de savoir comment les parties pertinentes du cas extrait sont sélectionnées pour un raisonnement plus approfondi. L'ancien précédent peut être assez important et il est très important que les éléments qui ne s'appliquent pas à la nouvelle situation n'interfèrent pas avec celle-ci. D’un autre côté, il est possible que des éléments apparemment sans rapport d’anciens précédents puissent fournir des indications. La réponse à cette question comporte deux parties : premièrement, les objectifs que le décideur se fixe déterminent sur quoi se concentrer par rapport à l'ancien précédent. Le mécanisme de raisonnement basé sur des cas concentre son attention sur la partie de l’ancien précédent qui est pertinente pour atteindre l’objectif correspondant dans le passé. Ainsi, si un problème doit être résolu, alors toute la concentration se porte sur la solution précédente correspondante. S’il est nécessaire d’extraire une certaine partie de la solution, alors l’accent est mis sur la partie correspondante de la solution du précédent précédent. S’il est nécessaire d’interpréter une situation, alors l’accent est mis sur la classification de cette situation dans le précédent extrait. Deuxièmement, la structure interne du cas d'utilisation extrait et, principalement, les dépendances entre les différentes parties du cas d'utilisation aident à élargir le domaine d'intervention dans des directions appropriées. Ainsi, lorsque le raisonnement basé sur des cas se concentre sur la résolution d’un problème ou sur l’interprétation d’une situation dans un cas ancien, les caractéristiques de la nouvelle situation qui ont conduit au choix de cette solution ou interprétation particulière apparaissent également.

Un autre problème qui se pose lors de la formation d'une solution approximative est qu'il faut parfois beaucoup de temps pour passer à l'étape suivante d'adaptation ou de justification. Il existe souvent des adaptations relativement faciles et, comme certains les appellent, intelligentes qui ont pu être réalisées dans le cadre d’une solution antérieure à un problème avant d’être explorées dans des processus d’adaptation plus difficiles. Dans la médiation du travail, par exemple, les ajustements des salaires et autres avantages sociaux en fonction du coût de la vie sont un ajustement attendu. Des ajustements similaires peuvent être apportés à des interprétations plus anciennes avant qu’il ne devienne nécessaire de formuler des arguments en leur faveur. En interprétation, ils sont particulièrement utiles pour former une solution approximative avant le début d’un raisonnement et d’une formation d’arguments plus complexes. L’argument repose donc sur une interprétation plus réaliste.

Le troisième problème qui se pose lors de la formation d’une solution approchée est lié au choix de l’interprétation. Dans les programmes développés jusqu'à aujourd'hui, les interprétations sont choisies soit délibérément, soit à travers une évaluation approximative de toutes les alternatives existantes. S’il existe un moyen d’arriver à la « bonne » réponse, peu importe par où vous commencez, alors choisir la première alternative n’est qu’une question d’efficacité. Cependant, si toutes les alternatives ne sont pas liées d’une manière ou d’une autre, le choix initial de l’alternative peut alors affecter l’exactitude du raisonnement. Le choix initial de l’alternative constitue donc un véritable problème.

3.3. Adaptation

Dans le processus de résolution de problèmes, les anciens précédents sont utilisés comme source d’inspiration pour résoudre de nouveaux problèmes. Étant donné que les situations nouvelles coïncident rarement avec les anciennes, les situations anciennes doivent néanmoins être corrigées en fonction des situations nouvelles. Au cours du processus d'adaptation, une solution approximative s'adapte à une nouvelle situation. L'adaptation comporte deux étapes : déterminer ce qui doit être adapté et créer l'adaptation.

Des problèmes d'adaptation surviennent à ces deux étapes. Commençons par examiner l'adaptation elle-même. Pour un domaine ou une tâche spécifique, un certain nombre de stratégies d’adaptation ou heuristiques peuvent être conçues. Vous pouvez ensuite les implémenter et créer un système fonctionnel. Toutefois, cela n’est pas possible dans tous les cas. La question à laquelle il faut répondre est de savoir s’il existe un ensemble général de stratégies d’adaptation pouvant être appliquées à n’importe quel domaine et fournissant des lignes directrices pour l’identification de stratégies d’adaptation spécialisées. Par exemple, éliminer la viande d’une recette qui doit être végétarienne est une stratégie d’adaptation d’une recette particulière, mais c’est aussi une spécialisation d’une stratégie plus basique, que l’on peut appeler éliminer un composant secondaire de la recette. Cette stratégie indique qu'un composant secondaire peut être supprimé s'il ne remplit pas la fonction requise. Pour chaque type de stratégie d’adaptation, il est également nécessaire de déterminer les connaissances nécessaires à sa mise en œuvre.

De plus, les méthodologies permettant de reconnaître les incohérences entre les anciens et les nouveaux précédents et de sélectionner les éléments à adapter jouent un rôle important dans l’adaptation. Certaines des techniques comptables développées dans d’autres domaines de l’intelligence artificielle sont très utiles dans leur application, mais sont souvent utilisées à des fins autres que celles d’origine.

3.4. Justification et critique

Dans ces processus, une décision ou une interprétation est validée avant d’être expérimentée dans le monde réel. Lorsque tout ce qui est nécessaire pour évaluer la solution ou l’interprétation résultante est connu, cette étape peut alors être considérée comme un test. Cependant, dans de nombreuses situations, il existe trop d’inconnues pour tester la solution. Cependant, on peut critiquer la solution résultante en utilisant toutes les méthodes interprétatives de raisonnement fondé sur des précédents. Une solution consiste à comparer la solution proposée avec d’autres solutions similaires. Cela nécessite un appel récursif de processus de mémoire afin de récupérer des précédents avec des solutions similaires. Par exemple, s’il existe déjà un cas connu d’une situation malheureuse similaire, il convient de déterminer si la nouvelle situation est soumise aux mêmes problèmes. Alternativement, s’il existe un exemple connu d’une situation similaire, mais que les problèmes à résoudre sont très différents, il est alors nécessaire de déterminer si la nouvelle situation a été traitée de manière équitable. Par exemple, lors d'une négociation contractuelle, l'intermédiaire peut formuler une proposition salariale et, avant de l'offrir, comparer le salaire qu'il propose aux salaires des autres employés et déterminer si le salaire proposé est conforme aux précédents actuels.

Pour tester la fiabilité de la solution, vous pouvez également proposer des situations hypothétiques. Une autre façon de critiquer la solution proposée est de simuler la situation (avec un niveau de précision élevé ou faible) et de vérifier les résultats.

La critique peut conduire à la nécessité d’extraire des précédents supplémentaires et peut également conduire à une adaptation supplémentaire, voire à une correction de l’adaptation précédente.

Les questions clés comprennent les stratégies d'évaluation des précédents utilisés, les stratégies de récupération des précédents pour une utilisation ultérieure dans l'interprétation, l'évaluation et la justification ; générer des situations hypothétiques appropriées et des stratégies pour les utiliser ; attribuant également le statut de confiance et de méfiance aux précédents dans la base de connaissances.

3.5. Grade

A ce stade, les résultats du raisonnement seront testés dans le monde réel. Les retours sur les précédents réels survenus pendant ou à la suite de la mise en œuvre de la décision résultante seront obtenus et analysés. Si les résultats sont confirmés, aucune analyse plus approfondie n’est nécessaire, mais si les résultats attendus et réels sont différents, une explication des résultats obtenus est alors nécessaire. Pour ce faire, vous devez découvrir la cause de l'anomalie et ce qui doit être fait pour éviter une telle situation. Parfois, vous pouvez découvrir la raison en raisonnant à partir de précédents.

Cette étape est la plus importante pour raisonner à partir de précédents. En évaluant les solutions obtenues dans le monde réel, un feedback se forme qui vous permet d'apprendre de vos erreurs. Le feedback vous permet également de constater les conséquences de votre raisonnement. Cela facilite à son tour l’analyse du raisonnement et l’explication des choses qui ne se déroulent pas comme prévu. Cette analyse permet d'anticiper et d'éviter les erreurs qui peuvent s'expliquer, et de repérer des opportunités imprévues auparavant qui pourront être exploitées ultérieurement.

L'évaluation est le processus consistant à juger de la qualité d'une solution proposée. Parfois, l'évaluation est faite dans le contexte de précédents antérieurs, parfois elle est basée sur des retours d'informations de l'environnement externe, parfois elle est basée sur des simulations mentales ou réelles. L'évaluation consiste à expliquer les différences (par exemple, entre ce qui était attendu et ce qui s'est réellement produit), à justifier les différences (par exemple, entre une solution proposée et une solution utilisée dans le passé), à projeter les résultats et à comparer et classer les possibilités alternatives. Le résultat de l’évaluation peut être une adaptation ou une correction plus poussée de la solution proposée.

3.6. Mise à jour de la mémoire

À ce stade, le nouveau cas d’utilisation est correctement saisi dans la base de connaissances pour une utilisation future. Un cas d'utilisation consiste en un problème, une solution à ce problème, des preuves de base que le système sait comment utiliser le cas d'utilisation et les résultats du raisonnement. Le processus le plus important à ce stade consiste à choisir comment « indexer » le nouveau cas d’utilisation en mémoire. Les index doivent être choisis de telle manière qu'il soit possible de retrouver un nouveau cas lors d'un raisonnement ultérieur à un moment où il peut être particulièrement utile. Les cas d'utilisation ne doivent pas être trop indexés, car vous ne voulez pas que les cas soient récupérés de manière aléatoire. Cela signifie qu’un moteur de raisonnement basé sur des cas doit être capable d’anticiper l’importance d’un cas pour un raisonnement ultérieur. La structure d'organisation et d'indexation de la mémoire est également ajustée à ce stade.

Pour résoudre le problème d'indexation, vous devez sélectionner les index appropriés pour le nouveau cas d'utilisation en utilisant la terminologie correcte, tout en vous assurant que tous les autres éléments restent accessibles car le nouveau cas d'utilisation a été ajouté à la base de connaissances.

4. Applicabilité de la méthode de raisonnement par précédents

4.1. Portée et adéquation au monde réel

Commençons par examiner pourquoi un médecin, ou toute autre personne formée à la prise de décision logique, tirerait des conclusions à partir de précédents. Après tout, le médecin est formé à utiliser des faits et des connaissances, et le raisonnement fondé sur des précédents peut être interprété comme un raisonnement fondé sur des ouï-dire. La réponse est simple. Le médecin est formé pour reconnaître séparément les troubles du corps et les combinaisons courantes de troubles. Il connaît également l'étiologie des troubles, c'est-à-dire comment ils progressent. Mais il est impossible d’enseigner à reconnaître toutes les combinaisons existantes de troubles, et l’application des connaissances existantes prend beaucoup de temps pour générer un diagnostic plausible. S'il a déjà utilisé ses connaissances pour résoudre un problème difficile, il est alors logique de conserver cette solution de manière à pouvoir être réutilisée. Ainsi, une fois qu'il aura appris à reconnaître une nouvelle combinaison de troubles et qu'il se souviendra de cette expérience, il pourra la reconnaître à nouveau, mais sans trop d'effort, contrairement à la première fois. Un jugement médical logique supplémentaire doit déterminer si le patient souffre réellement de l'ensemble de maladies proposé.

De même, il est impossible d’attendre d’un programme informatique qu’il soit équipé de toutes les combinaisons possibles de problèmes qu’il pourrait rencontrer. Et vous ne devriez pas vous attendre à ce que le programme dispose d'algorithmes efficaces capables de créer à chaque fois des solutions plausibles à partir de zéro. Un système de dépannage modèle, par exemple, est assez efficace, mais cela ne signifie pas qu'il peut facilement générer une solution à un problème, surtout lorsqu'une panne est possible à tout moment. De même, même si un modèle de cause à effet peut être utile pour valider un projet, il peut ne pas fournir suffisamment d'informations pour permettre l'élaboration de conceptions sous certaines contraintes. Tout comme le raisonnement à partir de cas aide les gens à trouver facilement des solutions à certains problèmes, il permet également à un programme informatique de proposer efficacement une solution à un problème lorsqu'aucune situation de ce type ne s'est produite auparavant. Mais cela ne veut pas dire que le raisonnement de cause à effet n’a aucun mérite. Au contraire, il doit être présent au moment, par exemple, où le médecin analyse la décision reçue. Le système de modèle de cause à effet doit fonctionner parallèlement au système de raisonnement basé sur des cas pour identifier les modifications qui doivent être apportées au cas extrait pour permettre des adaptations éclairées et pour tester les solutions proposées à un problème. En effet, CASEY (Koton 1988) et KRITIK (Goel et Chandrasekaran 1989) travaillent de manière similaire, CASEY pour le diagnostic de l'insuffisance cardiaque et KRITIK pour la conception d'objets machines élémentaires. Ainsi, le raisonnement à partir de précédents est utile à la fois pour les humains et pour les systèmes automatisés qui contiennent beaucoup de connaissances dans certains domaines, car il offre la possibilité de réutiliser certains raisonnements formés dans le passé. Cependant, il est également utile à ceux qui ont très peu de connaissances sur une question ou un domaine.

Prenons par exemple une personne qui n’a jamais prévu de dîner pour ses invités. Sa propre expérience ne l’aidera pas. Mais s’il a déjà assisté à un banquet, il a la possibilité de commencer sa planification. S'il se souvenait de ces plats servis dans des conditions similaires à celles qu'il doit remplir, il pourrait utiliser ces informations à ses propres fins. Par exemple, s'il dressait la liste des banquets auxquels il a assisté, il pourrait connaître pour chaque banquet la complexité de la préparation, le coût des ingrédients et adapter les informations reçues à sa situation.

Le raisonnement par précédent peut également être utile lorsque les connaissances sont incomplètes et les preuves insuffisantes. Les systèmes logiques ont du mal à gérer chacune de ces situations car ils préfèrent fonder leurs réponses sur ce qui est connu et normal. Les systèmes d’IA plus traditionnels utilisent certains facteurs et autres techniques de raisonnement imprécis pour lutter contre ces problèmes, dont les solutions nécessitent un effort informatique important et n’inspirent pas beaucoup de confiance. Raisonner à partir de précédents constitue une autre façon de traiter des connaissances incomplètes. Le mécanisme de raisonnement basé sur des cas émet des hypothèses pour combler les connaissances imparfaites ou manquantes, en fonction de ce que sa propre expérience lui apporte. Les solutions ainsi générées ne seront pas toujours optimales ni même correctes, mais si l'on prend en compte l'évaluation des réponses proposées, il est possible de générer facilement des réponses aux questions pertinentes.

Outre les avantages ci-dessus, le raisonnement par précédent est également utile même lorsque la solution d’un problème particulier dans le passé ne correspond pas au nouveau problème. Il existe deux perspectives pour l’évolution d’une telle situation. Les propriétés qui doivent être exclues du cas d'utilisation extrait peuvent être ajoutées à sa description en tant que propriétés indésirables, puis un nouveau cas d'utilisation doit être réextrait. En outre, le précédent extrait peut servir de point de départ pour créer une nouvelle solution. Lorsqu’il existe une interaction significative entre certaines parties de la solution et que les solutions devront être adaptées plusieurs fois pour s’adapter à une nouvelle situation, cela reste toujours mieux que de créer une solution à partir de zéro. Après tout, un précédent fournit quelque chose de concret pour le raisonnement. Beaucoup de gens trouvent ce style de raisonnement préférable.

4.2. AvantagesCBR

Le raisonnement à partir de précédents offre divers avantages au décideur :

La méthode de raisonnement par cas permet de formuler rapidement des solutions, évitant ainsi le temps nécessaire pour obtenir ces solutions à partir de zéro. Cet avantage est particulièrement utile pour un médecin qui se souvient d'un diagnostic ou d'un traitement antérieur. En évaluant la solution résultante, comme le fait tout mécanisme de raisonnement ou raisonneur humain, le mécanisme de raisonnement basé sur les cas gagne un avantage car Grâce aux évaluations, il est capable de résoudre facilement un problème. Cet avantage élimine le besoin de calculs et d'inférences fastidieux et est utile pour pratiquement tous les problèmes impliquant la résolution de problèmes, la planification, l'explication et le diagnostic. En effet, lors d'une évaluation du programme CASEY (Koton 1988), il a été constaté que le facteur de performance augmente de deux ordres de grandeur si un problème particulier a déjà été constaté dans le passé.

La méthode de raisonnement par précédent vous permet de formuler des solutions à des problèmes non seulement dans les domaines bien étudiés. De nombreux domaines ne peuvent pas être entièrement compris car les circonstances dépendent souvent d’un comportement humain imprévisible, comme en économie. Certains, par exemple, ne comprennent toujours pas comment évoluent diverses maladies et comment certains médicaments agissent sur l’organisme. Il est souvent nécessaire de prendre une décision sans connaissances ni expérience suffisantes. Le raisonnement basé sur des cas nous permet de dériver des hypothèses et des prédictions basées sur l’expérience passée sans nécessiter une compréhension particulière du problème.

La méthode de raisonnement basé sur des cas offre la possibilité d'évaluer des solutions lorsque les méthodes d'évaluation algorithmiques ne sont pas disponibles. L’utilisation de cas pour faciliter l’évaluation est particulièrement utile lorsque tout n’est pas connu sur le problème et qu’aucune autre méthode d’évaluation n’est disponible ou est trop complexe. Les solutions peuvent être réévaluées dans le contexte de situations similaires antérieures.

Les cas sont particulièrement utiles pour interpréter des concepts non concluants ou mal définis. Comme mentionné ci-dessus, les avocats ont recours à l'interprétation. Mais cela s’applique aussi aux situations quotidiennes. L'exemple original utilisait des précédents pour définir ce qu'implique le concept « Anna ne veut pas de poisson pour le dîner ». L'utilisation du programme PROTOS (Bareiss 1989), qui classe les déficiences auditives dans des contextes pauvres en informations, montre que le raisonnement basé sur des cas peut être plus précis en termes d'interprétation qu'une méthode basée sur la généralisation lorsque les classifications sont mal définies. PROTOS est plus efficace et plus précis que les systèmes de classification basés sur des méthodes de classification plus traditionnelles.

Se souvenir d'expériences antérieures est particulièrement utile pour vous alerter des problèmes potentiels survenus dans le passé. Cela donne l’occasion d’agir pour éviter de répéter les erreurs du passé. Mais comment ça fonctionne? Les situations passées peuvent être à la fois réussies et infructueuses, c'est-à-dire les situations dans lesquelles le résultat n'était pas prévu. Prenons à nouveau l'exemple de la planification de la préparation du dîner pour les invités. Il serait beaucoup plus facile de planifier la préparation des plats si l'on savait à l'avance quels plats sont faciles à préparer et peu coûteux, quels ingrédients sont assez difficiles à acheter dans les produits industriels, que de repartir de zéro à chaque fois. La personne qui envisage de préparer le dîner est désormais avertie, grâce à un précédent passé, d'éviter d'ajouter certains ingrédients ou de s'assurer de leur disponibilité.

Les cas aident à attirer l'attention sur les aspects importants d'un problème en indiquant quelles caractéristiques du problème sont les plus importantes. Ce qui était important dans les situations précédentes le sera généralement dans les nouvelles situations. Ainsi, si dans un cas d’utilisation précédent, un certain ensemble de caractéristiques était impliqué dans un échec, il faut alors se concentrer sur ces caractéristiques pour garantir que l’échec ne se reproduise pas. De même, si certaines caractéristiques sont associées à la chance, alors une attention particulière doit leur être accordée. Cet avantage est disponible à la fois lors de la résolution d'un problème et lors de l'interprétation d'une situation. Dans la méthode interprétative de raisonnement à partir de précédents, la justification et la critique sont formées sur la base des caractéristiques qui se sont révélées responsables des succès et des échecs du passé. Un avocat, par exemple, accorde une attention particulière aux aspects d’une nouvelle situation qui étaient pertinents dans des situations passées. Lors de la résolution d’un problème, il est possible d’adapter la solution de manière à ce qu’elle contienne davantage de propriétés responsables d’un résultat réussi et moins de propriétés pouvant conduire à un échec.

4.3. Des difficultés

Bien entendu, l’utilisation de la méthode de raisonnement à partir de précédents présente certaines difficultés. Il est possible d'utiliser aveuglément le précédent précédent, c'est-à-dire s'appuyer sur une expérience antérieure sans vérifier son impact sur une situation nouvelle. Parfois, les précédents peuvent avoir une trop grande influence sur le processus de résolution d’un nouveau problème. Et cela arrive souvent aux novices qui ne connaissent pas les précédents les plus appropriés à appliquer dans une situation particulière (Holyoak 1985, Gentner 1989). Cependant, les gens acceptent le raisonnement basé sur des précédents comme une manière naturelle de raisonner. Chercher à expliquer les processus impliqués dans la technologie du raisonnement à partir de précédents peut aider à expliquer comment apprendre aux gens à mieux raisonner à partir de précédents. En outre, la technologie de mémoire de cas peut fournir un système d'aide à la décision qui améliore la mémoire humaine en fournissant des précédents pertinents tout en permettant à une personne de raisonner de manière naturelle et habituelle.

5. Modèle cognitif ou méthodologie pour construire des systèmes experts ?

Le raisonnement basé sur des précédents est-il une simulation du raisonnement humain ou une méthodologie pour construire des systèmes intelligents ? Pour tenter de répondre à cette question, des personnes travaillant dans ce domaine ont été interrogées et des programmes utilisant le raisonnement par cas ont été examinés. La recherche a montré que le raisonnement basé sur des cas est à la fois un moyen permettant aux individus de résoudre leurs problèmes et une méthode de raisonnement pouvant être automatisée.

5.1. Raisonnement à partir de précédents et de personnes

Il existe de nombreuses preuves que les gens utilisent réellement le raisonnement à partir de cas concrets dans leur raisonnement quotidien. Certaines preuves reposent sur des rumeurs – nous les observons nous-mêmes. D'autres preuves sont expérimentales. Le chercheur Ross (1986, Ross 1989), par exemple, a montré que les personnes qui acquièrent de nouvelles compétences se réfèrent souvent à des problèmes antérieurs pour se rafraîchir la mémoire sur la façon dont ils ont alors résolu le problème. Les recherches menées dans notre laboratoire montrent que les mécaniciens automobiles débutants et expérimentés utilisent leur propre expérience pour formuler une hypothèse sur la cause d'un problème, reconnaître le problème (par exemple, vérifier une machine en panne) et leur rappeler comment détecter divers problèmes (Lancaster et Kolodner 1988, Redmond 1989). D'autres études montrent que les médecins utilisent des précédents pour formuler des hypothèses sur le diagnostic d'un patient, interpréter les résultats des tests et sélectionner des traitements lorsque certains ne sont pas entièrement compris (Kolodner, non publié). De même, les architectes et les hôteliers récupèrent, connectent et adaptent des plans de conception antérieurs pour en créer de nouveaux.

Les programmes que nous développons tentent de comprendre les processus impliqués dans le raisonnement à partir de cas. Il existe plusieurs applications potentielles importantes pour comprendre comment les gens résolvent naturellement leurs problèmes. Premièrement, nous pouvons créer un système d’aide à la décision qui les aide à extraire les meilleurs cas. Les psychologues ont découvert que les gens sont à l’aise avec les précédents pour prendre des décisions, mais qu’ils ne se souviennent pas toujours uniquement des situations utiles. L'ordinateur peut être utilisé comme outil de récupération pour améliorer la mémoire des gens. Deuxièmement, nous pouvons développer des stratégies d’enseignement et créer des supports pédagogiques qui enseignent sur la base de bons exemples. Si les gens sont à l’aise avec l’utilisation d’exemples pour résoudre des problèmes et savent comment résoudre au mieux un problème, alors il est de notre responsabilité en tant qu’enseignant de leur enseigner les bonnes choses. Troisièmement, si nous comprenons quelles étapes du processus de raisonnement sont difficiles à réaliser, nous pouvons apprendre aux gens à mieux raisonner à partir de cas. Une critique, par exemple, est que les gens ont tendance à supposer qu'une réponse donnée dans un cas précédent est nécessairement correcte sans la justifier dans la nouvelle situation. Cela nous dit que nous devons apprendre aux gens à justifier leurs décisions et leur faire comprendre que la justification et l’évaluation sont essentielles pour prendre la bonne décision. Si nous pouvons isoler les problèmes que les gens résolvent en utilisant des précédents, nous pouvons de la même manière leur apprendre à résoudre les problèmes plus efficacement.

5.2. Développement d'un mécanisme de raisonnement basé sur des précédents

En tant que méthode de construction de systèmes intelligents, la méthode de raisonnement par précédents est particulièrement intéressante car semble relativement simple et naturel. Il est assez difficile de trouver des experts qui vous diront tout ce qu’ils savent sur la résolution de problèmes. En fait, certaines personnes développant des systèmes de raisonnement experts basés sur des cas ont constaté qu'ils sont beaucoup plus faciles à développer que les systèmes traditionnels (Barletta et Hennessy 1989, Goodman 1989). Un problème important du raisonnement dans les domaines experts est le degré élevé d’incertitude et les connaissances incomplètes. Le raisonnement basé sur des cas considère des problèmes similaires grâce à la connaissance de situations passées. Les systèmes précédents offrent également une grande efficacité. Alors que d’autres systèmes de résolution de problèmes passent énormément de temps à chercher à chaque fois une solution à partir de zéro, les systèmes basés sur les précédents se sont révélés plus rapides (Koton 1988).

Il existe plusieurs types de systèmes de raisonnement basés sur des cas qui peuvent être développés. Ce sont des moteurs de recherche entièrement automatisés. Les systèmes entièrement automatisés résolvent les problèmes par eux-mêmes et disposent de moyens d’interagir avec le monde extérieur pour fournir des commentaires. Les moteurs de recherche travaillent de manière interactive avec l'utilisateur pour résoudre un problème. Ils visent à améliorer la mémoire d'une personne et fournissent des précédents pour tenir compte du fait qu'une personne ne peut pas tout savoir, mais doit prendre une décision et en est responsable. En outre, il existe un certain nombre de systèmes intermédiaires, dont certains nécessitent plus d’attention humaine, d’autres moins.

Les systèmes de raisonnement basés sur des cas ont également plusieurs objectifs, dont la maintenance. Le système de services offre la possibilité de résoudre des problèmes, de proposer des réponses spécifiques à des questions problématiques, de suggérer la bonne réponse sans la dire (c'est-à-dire de donner des conseils abstraits) ou simplement de fonctionner comme une base de connaissances permettant de récupérer des cas qui se chevauchent. Tout comme les systèmes de gestion de bases de données fonctionnent, les systèmes de raisonnement de cas peuvent également interagir avec un programme humain ou autre. Lorsqu'ils interagissent avec des humains, les programmes peuvent élaborer une planification stratégique pour un processus en utilisant des précédents pour dériver ou évaluer une solution. Le CSI Battle Planner (Goodman 1989), par exemple, permet de planifier une bataille spécifique. Ou encore, on pourrait imaginer un système d’enseignement ayant accès à une bibliothèque d’exemples à utiliser dans l’enseignement.

Les systèmes de raisonnement basés sur des cas les plus simples nécessitent une bibliothèque de cas couvrant les nombreux problèmes qui se posent dans un domaine particulier. Cette bibliothèque doit inclure des cas d'utilisation réussis et infructueux. Ils devraient également être indexés en conséquence. La bibliothèque de précédents, ainsi qu'une interface favorable et pratique, permettent d'augmenter la mémoire humaine. Et en plus de ce système, des processus automatisés peuvent progressivement être créés.

Transformation de la modélisation des phénomènes précédents, qui repose sur la répulsion du standard. Pour que la réorientation d'un texte spécifique ait lieu, le destinataire apporte des modifications formelles et sémantiques au texte source. Mais pour que le destinataire comprenne l'essence du PF transformé, le destinataire doit rendre son produit aussi transparent et compréhensible que possible, et le destinataire, à son tour, doit disposer de l'ensemble des connaissances nécessaires pour comprendre l'unité transformée. F. S. Ragimova identifie 6 méthodes de transformation : substitution, implication, explication, changement de modalité fonctionnelle, contamination, transformation mixte. 1

Substitution

Dans cette méthode de transformation, la composition des composants est remplacée. C'est-à-dire qu'au lieu d'un mot canonique, un autre mot est inséré, généralement similaire dans ses caractéristiques morphologiques. Selon la position du composant substitué, la substitution peut être anaphorique(remplacement du composant initial), épiphorique(remplacement du composant final du PF) et médian(remplacement d'un composant situé à l'intérieur du relevé). En termes de composition quantitative, la substitution peut être monocomposant(le remplacement est représenté par un composant) et multicomposant(le remplacement est représenté par plusieurs composants). La substitution peut également être caractérisée par une substitution lexicale composant à pleine valeur et composant exprimé par un mot de fonction.

Implication

L’implication est un rétrécissement, une troncature de la composition des composants d’un phénomène précédent. Tout comme la première méthode de transformation, l'implication peut être déterminée par la position de la composante réduite : anaphorique(troncation de la composante initiale), épiphorique(troncature de la composante finale du PF) et médian(troncation d'un composant situé à l'intérieur de l'instruction). Sur la base de la composition des composants, les types de transformation suivants ont été identifiés : implication monocomposante(la troncature est représentée par un composant) et implication polycomposante(la troncature est représentée par plusieurs composantes) Par composition qualitative : troncature composant à pleine valeur et composant exprimé par un mot de fonction

Explication

Ce type de transformation se caractérise par une expansion de la composition des composants du PF. Le nouveau composant est une continuation sémantique de l'instruction originale. Sur la base du critère « position d'un composant qui élargit la structure du PF », on distingue les types de transformation suivants : anaphorique(extension de l'élément initial), épiphorique(extension de l'élément final) et médian(expansion dans l'expression). Sur la base du critère « composition des composants de l'élément expansible PF », on distingue les types de transformation quantitatifs et qualitatifs :

Quantitatif transformation: monocomposant l'agrandissement et multicomposant extension.

Haute qualité la transformation conduit à la formation des types suivants :

Consonance(changement dans la bonne organisation du PF)

Expansion lexicale(composante à valeur totale et composante exprimée par un mot de fonction)

Changement de modalité fonctionnelle

Dans le domaine de la modalité, nous incluons l'opposition des énoncés selon la nature de leur attitude communicative : énoncé – question – motivation. Autrement dit, cette méthode de transformation implique de déplacer modalité affirmative - en interrogative, interrogative - en incitation. Le passage de la modalité affirmative à la modalité interrogative crée des relations dialogiques entre les communicateurs. Le destinataire se trouve entraîné dans le dialogue car, d'un point de vue psychologique, une question présuppose toujours une réponse. La modalité incitative ne nécessite pas de réponse verbale. Le but de l’impératif est d’évoquer une action de parole spécifique.

MÉTHODE PRÉCÉDENTE

(Anglais) étude de cas)- Psychologie clinique.

Grand dictionnaire psychologique. - M. : Premier-EVROZNAK. Éd. B.G. Meshcheryakova, acad. V.P. Zinchenko. 2003 .

Voyez ce qu'est la « MÉTHODE PRÉCÉDENTE » dans d'autres dictionnaires :

Apprentissage automatique- (eng. Machine Learning) est une vaste sous-section de l'intelligence artificielle qui étudie les méthodes de construction d'algorithmes capables d'apprendre. Il existe deux types de formation. L'apprentissage par précédent, ou apprentissage inductif, est basé sur l'identification... ... Wikipédia

Diagramme de cas d'utilisation- Diagramme de cas d'utilisation pour un modèle d'exploitation de restaurant simplifié. Diagramme de cas d'utilisation (anglais... Wikipédia

MÉTHODOLOGIE DE L'HISTOIRE- (du grec metodos, voie de recherche, de connaissance et d'enseignement du logos) théorie de la connaissance historique. M. et. développe des principes et des moyens d'acquérir des connaissances sur le passé, de systématiser et d'interpréter les données obtenues afin de clarifier l'essence de l'histoire... ... Encyclopédie historique soviétique

Formation machines

Apprentissage basé sur des cas- L'apprentissage automatique est une vaste sous-section de l'intelligence artificielle qui étudie les méthodes de construction d'algorithmes capables d'apprendre. Il existe deux types de formation. L'apprentissage par précédent, ou apprentissage inductif, est basé sur ... ... Wikipédia

Cas d'utilisation (UML)- Ce terme a d'autres significations, voir Précédent (significations). Article principal : Scénario de cas d'utilisation, également : cas d'utilisation, cas d'utilisation, spécification de séquences d'actions... ... Wikipédia

Cour fédérale américaine- (Juridiction fédérale des États-Unis) La Cour fédérale des États-Unis est un organe judiciaire fédéral américain créé par le gouvernement pour résoudre les différends au niveau fédéral Cour fédérale des États-Unis : le système judiciaire fédéral américain, par lequel les juges sont nommés... ... Encyclopédie des investisseurs

MYTHOLOGIE- (du grec mythos légende, légende et logos mot, concept, enseignement) une façon de comprendre le monde aux premiers stades de l'histoire humaine, des histoires fantastiques sur sa création, sur les actes des dieux et des héros. Dans M. L'Espace apparaît comme un tout,... ... Encyclopédie philosophique

PATRISTIQUE- (lat. pères patres) direction de la pensée philosophique et théologique des IIe - VIIIe siècles, associée aux activités des premiers auteurs chrétiens des Pères de l'Église. Sources sémantico-axiologiques de conception de P. philosophie ancienne (méthode rationnelle générale et spécifique... ... Histoire de la philosophie : Encyclopédie