From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

Cet article propose une approche neurosymbolique fondée sur la théorie des sciences sociales et le raisonnement abductif pour permettre aux grands modèles de langage d'effectuer des transformations narratives efficaces (par exemple, du « nous » au « je ») tout en préservant la fidélité du message original.

L'essentiel

Imaginez que vous essayez de raconter une histoire à deux amis très différents : l'un est un loup solitaire qui croit que tout dépend de sa propre force, et l'autre est un chef de tribu qui pense que tout le monde doit travailler ensemble pour survivre.

Si vous racontez la même histoire aux deux, elle risque de ne pas "coller" à l'un ou à l'autre. Le loup ne comprendra pas pourquoi on insiste sur le groupe, et le chef de tribu ne verra pas l'intérêt de l'individu héroïque.

C'est exactement le problème que cette équipe de chercheurs a voulu résoudre avec les Intelligences Artificielles (IA).

Voici l'explication de leur travail, simplifiée et imagée :

1. Le Problème : L'IA est un mauvais traducteur de culture

Les chercheurs ont demandé à des IA modernes (comme GPT-4) de changer une histoire pour qu'elle corresponde à une culture différente (par exemple, passer d'une histoire "collectiviste" à une histoire "individualiste").

Le résultat ? L'IA a souvent échoué.

• L'analogie : C'est comme si vous demandiez à un traducteur de changer le mot "nous" en "je" dans un texte, mais qu'il laissait tout le reste du texte exactement pareil. L'histoire devient bizarre, incohérente, ou l'IA ne comprend tout simplement pas où elle doit toucher pour changer le sens profond.
• Dans l'article, on voit un exemple où l'IA dit : "Seulement quand toutes les mains creusent..." (collectiviste). Quand on lui demande de faire l'inverse, elle répète la même phrase au lieu de dire : "Seulement quand une âme déterminée creuse..." (individualiste).

2. La Solution : Un détective logique + un écrivain créatif

Pour régler ce problème, les chercheurs ont créé une méthode hybride qu'ils appellent une approche "neuro-symbolique". Imaginez que c'est un duo d'enquêteurs :

• Le Détective Logique (Le Cerveau Symbolique) :
  Ce n'est pas une IA créative, mais un système de règles strictes basé sur la science sociale. Son travail est d'analyser l'histoire comme un détective. Il ne devine pas ; il cherche des indices précis.

  • Son outil : Une "enquête" basée sur 20 questions psychologiques (qui évalue si l'histoire parle de responsabilités personnelles ou de devoirs de groupe).
  • Sa méthode : Il utilise un raisonnement appelé abduction. C'est un peu comme un médecin qui regarde les symptômes (l'histoire) et déduit la maladie (le type de culture) pour prescrire le bon remède. Il identifie exactement quel morceau de phrase doit être changé pour que l'histoire change de sens.

• L'Écrivain Créatif (Le Grand Modèle de Langage / LLM) :
  Une fois que le détective a trouvé le morceau de phrase à modifier, il le passe à l'écrivain (l'IA classique).

  • Son rôle : Il réécrit seulement ce petit morceau pour qu'il corresponde au nouveau style, tout en gardant le reste de l'histoire intacte.

3. Comment ça marche en pratique ? (Le processus en deux étapes)

1. Apprentissage des règles : Le système apprend d'abord sur un tas d'histoires existantes (des livres, des contes) pour comprendre quelles phrases correspondent à quel style de vie (individuel ou collectif). C'est comme apprendre les règles du jeu avant de jouer.
2. La transformation ciblée : Quand on lui donne une nouvelle histoire à transformer :
   • Le Détective dit : "Attends, cette phrase parle de 'tous ensemble'. Pour faire une histoire individuelle, il faut changer ça en 'un seul héros'."
   • L'Écrivain réécrit la phrase.
   • Le Détective vérifie : "Est-ce que ça sonne bien ? Est-ce qu'on a gardé le sens de l'histoire ?"
   • Si tout va bien, c'est fini. Sinon, on recommence sur un autre petit morceau.

4. Les Résultats : Pourquoi c'est impressionnant ?

Les chercheurs ont testé cette méthode sur plusieurs IA puissantes.

• Sans leur aide (la méthode "Zero-shot") : L'IA échouait souvent ou créait des histoires confuses.
• Avec leur aide (Abduction) :
  • L'IA a réussi à changer le style de l'histoire (de "nous" à "je" ou inversement) avec beaucoup plus de succès (jusqu'à 55% de mieux que la méthode classique).
  • Le plus important : Elle a gardé l'âme de l'histoire. L'histoire transformée ressemble encore à l'originale (elle n'est pas devenue un texte complètement différent), mais elle parle maintenant à un public différent.

En résumé

Imaginez que vous avez un costume (l'histoire).

• La méthode classique demande à l'IA de recoudre tout le costume à la main, ce qui donne souvent un résultat moche.
• La méthode de cette équipe utilise un couturier expert (le détective logique) qui repère exactement quel bouton ou quelle couture doit être changé pour que le costume passe du style "militaire" au style "de soirée". Ensuite, il demande à un artisan (l'IA) de faire ce petit changement précis.

Le résultat ? Un costume qui a changé de style, mais qui reste parfaitement bien coupé et confortable. C'est une façon intelligente de faire parler les machines à travers les cultures, sans perdre le sens de ce qu'elles disent.

Résumé technique

1. Problématique

L'article aborde le défi complexe de la transformation narrative : modifier l'orientation culturelle d'un texte (par exemple, passer de l'individualisme au collectivisme ou vice-versa) tout en préservant son message de base et sa cohérence sémantique.

Les auteurs constatent que les Grands Modèles de Langage (LLM) actuels, même lorsqu'ils sont utilisés en mode « zéro-shot » (sans entraînement spécifique), échouent souvent à cette tâche. Comme illustré dans l'article, un LLM standard peut échouer à identifier les marqueurs narratifs clés (ex: « toutes les mains creusent ») qui signalent une orientation collective, ou alors il produit des transformations incohérentes qui dénaturent l'histoire originale. Le problème réside dans l'incapacité des modèles à appliquer systématiquement des principes de sciences sociales pour réorienter la structure narrative sans perdre la fidélité au contenu original.

2. Méthodologie : Une Approche Neurosymbolique

Pour résoudre ce problème, les auteurs proposent une approche neurosymbolique combinant le raisonnement logique (symbole) et les capacités génératives des LLM (neural), ancrée dans la théorie des sciences sociales et le raisonnement abductif.

A. Fondements Théoriques et Diagnostic

• Dimensions Culturelles : Le travail se concentre sur le spectre Individualisme vs Collectivisme.
• Diagnostic Structuré : Une équipe d'experts en sciences sociales a développé un sondage diagnostique de 20 items (40 questions au total, 20 pour chaque orientation) basé sur la psychologie interculturelle. Ce sondage évalue des dimensions narratives spécifiques (conflit, acteurs, actions, responsabilités, résolution, etc.).
• Évaluation par LLM : Un LLM est utilisé pour répondre à ce sondage sur un texte donné, générant des scores normalisés qui servent d'annotations logiques.

B. Formalisation Logique (Abduction)

Le problème est formalisé comme un problème d'abduction dans un cadre de logique annotée :

• Observations ($O$) : Les faits annotés décrivant les segments (chunks) d'une histoire et leurs caractéristiques narratives actuelles.
• Hypothèses ($H$) : L'ensemble des modifications possibles des caractéristiques de ces segments pour atteindre l'orientation cible.
• Programme Logique ($\Pi$) : Un ensemble de règles dérivées d'un corpus d'entraînement qui lient les caractéristiques des segments à l'orientation narrative globale.
• Objectif : Trouver une explication $E$ (un sous-ensemble de modifications) qui maximise la similarité avec le corpus cible tout en restant cohérente avec les règles logiques.

C. Architecture en Deux Phases

1. Apprentissage des Règles (Phase 1) : À partir d'un corpus d'entraînement, le système infère des règles logiques reliant les caractéristiques des segments de texte à l'orientation narrative (ex: si un segment met l'accent sur l'accomplissement personnel, il contribue à l'individualisme).
2. Transformation Abductive Itérative (Phase 2) :
   • Pour une histoire test, le système résout le problème d'abduction pour identifier quels segments spécifiques doivent être modifiés et comment (quelle nouvelle caractéristique attribuer).
   • Un LLM est ensuite sollicité pour réécrire uniquement ces segments identifiés, guidé par la règle logique cible.
   • Ce processus est itératif (généralement 3 itérations) jusqu'à ce que l'orientation narrative cible soit atteinte tout en minimisant la divergence sémantique.

3. Contributions Clés

• Première approche systématique : C'est l'une des premières tentatives de transformer l'orientation culturelle d'un récit tout en préservant sa fidélité sémantique, en utilisant des principes de sciences sociales plutôt que de simples ajustements statistiques.
• Méthode Neurosymbolique : Intégration réussie du raisonnement abductif (pour la sélection précise des éléments à modifier) et des LLM (pour la génération du texte), évitant ainsi les hallucinations et les incohérences des approches purement neuronales.
• Efficacité des Ressources : La méthode cible uniquement les segments essentiels du texte, réduisant considérablement le nombre d'appels aux LLM et la consommation de tokens par rapport à une réécriture complète.

4. Résultats Expérimentaux

Les expériences ont été menées sur un jeu de données de 118 récits (90 individualistes, 28 collectivistes) et testés sur plusieurs modèles (GPT-4o, Grok-4, Llama-4, DeepSeek-R1).

• Amélioration de la Transformation :
  • Pour la transition Collectiviste $\to$ Individualiste (C$\to$I), la méthode surpassé la baseline « zéro-shot » de 55,88 % avec GPT-4o.
  • Pour la transition Individualiste $\to$ Collectiviste (I$\to$C), des améliorations comparables ont été observées.
• Préservation de la Fidélité Sémantique :
  • La méthode a maintenu une similarité sémantique supérieure avec l'histoire originale. Par exemple, pour GPT-4o en C$\to$I, la divergence KL (Kullback-Leibler) a été améliorée de 40,4 % par rapport à la baseline, indiquant que le sens original est mieux préservé.
• Performance des Modèles :
  • Les résultats sont cohérents sur les modèles de raisonnement (GPT-4o, DeepSeek-R1) et non-raisonnement (Llama-4).
  • Les modèles ont généralement mieux réussi la transformation vers le collectivisme que vers l'individualisme.
• Efficacité : Seule une médiane de 32,11 % des tokens des histoires ont nécessité une modification, confirmant l'efficacité de l'approche ciblée.

5. Signification et Impact

Ce travail démontre que les LLM seuls ne suffisent pas pour des tâches de haut niveau nécessitant une compréhension profonde des cadres culturels et narratifs. En ancrant les LLM dans des théories de sciences sociales via un raisonnement logique formel, il est possible de :

• Créer des messages adaptés à des audiences culturelles spécifiques (diplomatie, opérations d'information, journalisme).
• Réduire les biais de génération et les incohérences narratives.
• Offrir un cadre reproductible pour l'analyse et la transformation de discours complexes.

L'article conclut que cette approche neurosymbolique ouvre la voie à des systèmes d'IA capables de naviguer et de transformer les réalités sociales de manière contrôlée et éthique, tout en respectant l'intégrité du message original.