Making Implicit Premises Explicit in Logical Understanding of Enthymemes

Cet article propose une pipeline neuro-symbolique intégrant des modèles de langage et un solveur SAT pour identifier les prémisses implicites des énoncés enthymémiques, les traduire en formules logiques et vérifier leur validité, comblant ainsi le fossé entre les méthodes NLP et les approches logiques.

L'essentiel

Voici une explication simple de ce papier de recherche, imagée comme si nous étions dans un atelier de réparation d'arguments.

Le Problème : Les Arguments "À Moitié Finis"

Imaginez que vous discutez avec un ami. Il vous dit :

"Il faut que tu prennes un parapluie."

C'est une conclusion (la claim). Mais il ne vous a pas donné la raison (la prémisse). Vous devez deviner : "Ah, il doit pleuvoir !".

En logique, on appelle cela un enthymème. C'est un argument incomplet, comme un puzzle où il manque des pièces. Les humains sont très doués pour combler ces trous avec notre bon sens, mais pour les ordinateurs, c'est un cauchemar.

Les chercheurs actuels ont deux approches, mais elles ont toutes les deux un défaut :

1. Les experts en texte (NLP) : Ils sont très bons pour repérer qu'il manque une pièce, mais ils ne savent pas comment la pièce s'assemble logiquement avec les autres. Ils voient le trou, mais ne voient pas la structure.
2. Les experts en logique pure : Ils savent assembler les pièces parfaitement, mais ils ont besoin d'avoir toutes les pièces de rechange dans une boîte géante avant de commencer. Ils ne savent pas comment fabriquer la pièce manquante à partir du texte.

La Solution : L'Usine Neuro-Symbolique

Les auteurs (Xuyao Feng et Anthony Hunter) ont construit une usine en trois étapes pour transformer un argument incomplet en un argument logique parfait. Ils appellent cela un pipeline "neuro-symbolique" (un mélange d'intelligence artificielle moderne et de logique classique).

Voici comment fonctionne cette usine, étape par étape :

Étape 1 : Le Détective à l'IA (Le Grand Frère)

Imaginez que vous avez la conclusion ("Prends un parapluie") et la prémisse visible ("Le rapport météo prévoit de la pluie").

• Ce que fait l'IA : Elle agit comme un détective très imaginatif. Elle se dit : "Pour que cette conclusion soit vraie, il faut bien qu'il y ait une connexion cachée."
• L'analogie : C'est comme si l'IA remplissait les blancs d'une devinette. Elle génère des phrases intermédiaires comme : "Si le rapport prévoit de la pluie, alors il va pleuvoir" ou "Les parapluies protègent de la pluie".
• Le but : Créer les pièces manquantes du puzzle que l'humain aurait devinées instinctivement.

Étape 2 : Le Traducteur Universel (Le Dictionnaire Magique)

Maintenant, l'usine a toutes les phrases (celles de départ + celles inventées par l'IA). Mais les ordinateurs ne comprennent pas le français, ils ne comprennent que les maths.

• Ce que fait le traducteur : Il prend chaque phrase et la transforme en un schéma logique (un graphe appelé AMR).
• L'analogie : Imaginez que chaque phrase est un objet bizarre (un parapluie, une goutte de pluie). Le traducteur les transforme tous en briques LEGO standardisées.
  • "Le chat dort" devient une brique rouge DORT(CHAT).
  • "Le chien court" devient une brique bleue COURT(CHIEN).
• Le génie : Parfois, les mots sont différents mais le sens est proche (ex: "marcher" et "se déplacer"). L'usine utilise une technologie moderne (des vecteurs de mots) pour dire : "Attends, cette brique rouge 'marcher' est presque identique à cette brique bleue 'se déplacer'. On va les traiter comme la même pièce." C'est ce qu'ils appellent le "neuro-matching".

Étape 3 : L'Inspecteur de Construction (Le Vérificateur Logique)

Maintenant que tout est en briques LEGO, il faut vérifier si l'histoire tient debout.

• Ce que fait l'inspecteur : Il prend les briques de départ (les faits) + les briques intermédiaires (générées par l'IA) et vérifie si elles forment obligatoirement la conclusion.
• L'analogie : C'est comme un test de résistance. Si vous empilez les briques "Il pleut" + "Je n'ai pas de parapluie", est-ce que la tour s'effondre ou tient-elle ? Si la conclusion "Je vais être mouillé" s'ensuit inévitablement, alors l'argument est valide. Si les briques sont contradictoires (ex: "Il pleut" et "Il fait un soleil de plomb"), l'inspecteur le signale immédiatement.

Les Résultats : Ça Marche Mieux avec Plus d'Étapes

Les chercheurs ont testé leur usine sur deux grands jeux de données (des milliers d'arguments réels).

• La découverte clé : Plus l'IA invente d'étapes intermédiaires (1, 2 ou 3 étapes de déduction), plus l'ordinateur a de chances de trouver la bonne logique.
• L'image : C'est comme si vous essayiez de traverser une rivière.
  • Avec 0 étape, vous sautez directement (vous tombez souvent).
  • Avec 1 étape, vous posez une pierre (c'est mieux).
  • Avec 3 étapes, vous posez trois pierres solides : vous traversez sans vous mouiller !

Pourquoi c'est important ?

Ce papier est important car il ne se contente pas de dire "Ceci est un bon argument". Il montre le chemin.
Il permet de voir exactement pourquoi l'ordinateur a décidé que l'argument était valide. Il peut même dessiner un schéma (comme dans la Figure 4 du papier) montrant :

• "J'ai relié 'marcher' à 'se déplacer' grâce à ma connaissance du monde."
• "J'ai rejeté cette autre idée car elle contredit les faits."

C'est une première étape vers des ordinateurs qui ne se contentent pas de lire, mais qui comprennent et reconstruisent la logique cachée derrière nos conversations quotidiennes.

Résumé technique

Voici un résumé technique détaillé de l'article « Making Implicit Premises Explicit in Logical Understanding of Enthymemes » de Xuyao Feng et Anthony Hunter, rédigé en français.

1. Le Problème : Le Défi des Enthymèmes

Les arguments réels, tels qu'ils apparaissent dans les textes et les dialogues, sont souvent incomplets : certaines prémisses ou conclusions sont implicites. Ces arguments sont appelés enthymèmes.

• Limites des approches existantes :
  • Les méthodes de Traitement du Langage Naturel (TLN/NLP) actuelles identifient les enthymèmes mais ne reconstruisent pas leur structure logique sous-jacente.
  • Les approches symboliques (basées sur la logique) supposent l'existence d'une base de connaissances contenant suffisamment de formules logiques pour déduire les prémisses manquantes par abduction, mais elles ne proposent pas de méthode systématique pour obtenir ces formules à partir du texte brut.
• Le manque critique : Il n'existe pas de méthode systématique pour traduire les composants textuels d'un enthymème en un argument logique formel et générer les formules nécessaires à sa décodification et à la démonstration de l'implication logique (entailment).

2. Méthodologie : Un Pipeline Neuro-Symbolique

Les auteurs proposent un pipeline intégré combinant des modèles de langage (LLM) et un raisonnement logique symbolique. Ce pipeline se compose de cinq étapes principales :

A. Génération de Prémisses Implicites (LLM)

Un grand modèle de langage (DeepSeek v3.2) est utilisé pour générer des prémisses intermédiaires implicites basées sur la prémisse explicite et la conclusion donnée.

• Le modèle peut générer une, deux ou trois étapes de raisonnement intermédiaires pour expliciter le lien logique.
• Cela permet de combler le fossé sémantique entre la prémisse et la conclusion.

B. Représentation Sémantique (AMR)

Le texte (prémisses, conclusions, et prémisses implicites générées) est converti en Représentation de Sens Abstrait (AMR - Abstract Meaning Representation).

• L'AMR représente les phrases sous forme de graphes dirigés acycliques (DAG) étiquetés.
• Un parseur AMR (IBM Transition AMR parser) est utilisé pour transformer le texte en graphes AMR.

C. Traduction en Logique Propositionnelle

Les graphes AMR sont traduits en formules de logique propositionnelle via une extension de l'algorithme de Bos :

• Les variables existentielles sont "groundées" (remplacées par des constantes de Skolem).
• Les prédicats monadiques sont supprimés pour simplifier la formule.
• Le résultat est une formule propositionnelle (appelée "formule AMR") composée d'atomes et d'opérateurs logiques ($\neg, \land$).

D. Relaxation Neuro-Symbolique (Correspondance et Contradiction)

Pour gérer les nuances du langage naturel et permettre le raisonnement, le système applique des méthodes de "relaxation" basées sur les embeddings et l'inférence naturelle (NLI) :

1. Correspondance Neuro (Neuro-matching, $\simeq$) : Deux atomes AMR différents sont considérés comme équivalents si leur similarité sémantique (calculée via des embeddings de sentences, ex: BGE-small) dépasse un seuil $\tau_m$.
2. Contradiction Neuro (Neuro-contradict, $\perp$) : Deux atomes sont considérés comme contradictoires si un modèle NLI (ex: mDeBERTa) identifie une relation de contradiction avec un score supérieur à un seuil $\tau_c$.

• Ces relations permettent de mapper les formules AMR complexes vers des formules abstraites simplifiées où des concepts similaires sont unifiés et les contradictions sont explicitées.

E. Raisonnement Automatisé (PySAT)

Les formules abstraites sont converties en Forme Normale Conjonctive (CNF) et soumises à un solveur SAT (PySAT).

• Pour vérifier l'implication ($\phi \vdash \psi$), le système vérifie l'incohérence de $\phi \land \neg \psi$.
• Pour vérifier la contradiction, il vérifie l'incohérence de $\phi \land \psi$.

3. Contributions Clés

1. Première approche unifiée : C'est la première proposition intégrant systématiquement la génération de formules implicites (via LLM) et leur traduction logique pour la décodification d'enthymèmes.
2. Pipeline Neuro-Symbolique : Combinaison innovante de la flexibilité sémantique des LLM et des embeddings avec la rigueur du raisonnement logique symbolique.
3. Représentation Graphique Explicite : Le système permet de visualiser les décodages possibles (comme illustré dans la Figure 4 de l'article), montrant quelles relations de correspondance ou de contradiction ont permis la conclusion, offrant ainsi une interprétabilité humaine.
4. Gestion de l'ambiguïté : L'utilisation de seuils de correspondance ($\tau_m$) et de contradiction ($\tau_c$) permet d'ajuster la sensibilité du raisonnement aux nuances du langage naturel.

4. Résultats et Évaluation

Le pipeline a été évalué sur deux jeux de données : ARCT (Argument Reasoning Comprehension Task) et ANLI (Abductive Natural Language Inference).

• Performance globale : Le système démontre des performances prometteuses en termes de précision, rappel, F1-score et exactitude.
• Impact du raisonnement multi-étapes : L'utilisation de prémisses implicites générées en plusieurs étapes (1, 2 ou 3 étapes) améliore significativement la précision par rapport à l'utilisation de prémisses originales ou à l'absence de prémisses implicites.
  • Sur ANLI, l'exactitude passe de 0,53 (aucune prémisse) à 0,73 (3 étapes).
  • Sur ARCT, l'exactitude passe de 0,29 à 0,56 (3 étapes).
• Optimisation des seuils :
  • Un seuil de contradiction ($\tau_c$) plus bas (ex: 80) améliore la détection des non-implications (contradictions), augmentant la précision globale.
  • Un seuil de correspondance ($\tau_m$) modéré (0,55–0,65) offre le meilleur équilibre.
• Comparaison : Les prémisses générées par le LLM (multi-étapes) surpassent souvent les prémisses "originelles" fournies dans les jeux de données, soulignant la capacité du modèle à enrichir le contexte logique.

5. Signification et Perspectives

• Signification : Ce travail comble un fossé majeur entre le traitement du langage naturel et la logique formelle. Il permet non seulement de classer les arguments, mais de reconstruire leur structure logique de manière transparente. Cela ouvre la voie à des systèmes d'IA capables de justifier leurs conclusions par un raisonnement logique vérifiable plutôt que par des corrélations statistiques.
• Perspectives futures : Les auteurs envisagent d'améliorer la présentation des formules logiques via du "sucre syntaxique" et d'appliquer ces méthodes à d'autres types d'analyses argumentatives, telles que la détermination de la pertinence des arguments ou le degré de similarité entre eux.

En résumé, cette recherche propose une architecture robuste pour transformer des arguments naturels incomplets en structures logiques formelles, permettant une validation rigoureuse de la validité des raisonnements humains et automatisés.