🤖 AI

Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

Ce rapport technique présente un cadre axiématique et paramétrique multi-niveaux pour évaluer la similarité des arguments en logique du premier ordre, en intégrant des modèles sensibles au contexte pour dépasser les approches existantes limitées à la logique propositionnelle.

Auteurs originaux : Victor David, Jérôme Delobelle, Jean-Guy Mailly

Publié 2026-04-15

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Victor David, Jérôme Delobelle, Jean-Guy Mailly

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🧠 Le Dilemme des Jumeaux : Comment mesurer la ressemblance des idées ?

Imaginez que vous êtes un juge dans un tribunal des idées. Des avocats (les arguments) viennent vous présenter leurs cas. Parfois, deux avocats disent exactement la même chose, mais avec des mots différents. D'autres fois, ils disent des choses très proches, mais avec une nuance cruciale qui change tout.

Le problème, c'est que les ordinateurs actuels sont souvent comme des lecteurs de code-barres : ils regardent si les mots sont identiques. Si l'un dit "Le chien aboie" et l'autre "Le chien hurle", le code-barres peut dire "C'est différent !". Mais un humain sait que c'est presque la même idée.

Les auteurs de ce papier (Victor, Jérôme et Jean-Guy) ont créé un nouvel outil de mesure pour les ordinateurs, capable de comprendre non seulement les mots, mais aussi la structure logique et le contexte d'un argument, même quand il est très complexe (en "Logique du Premier Ordre", ce qui est juste un nom fancy pour des raisonnements avec des variables comme "tous les X" ou "il existe un Y").

Voici comment leur système fonctionne, en quatre étapes clés :

1. La Recette de Cuisine (La Transformation)

Imaginez que chaque argument est un plat complexe. Pour le comparer à un autre, il faut d'abord le mettre dans un format standard, comme si on décomposait tous les plats en leurs ingrédients de base.

L'analogie : C'est comme transformer une recette de grand-mère écrite en prose ("Prenez un peu de sel, puis ajoutez le poulet...") en une liste d'ingrédients précise et standardisée (10g de sel, 1 poulet).
Dans le papier : Ils convertissent les phrases en une forme logique appelée CNF (Forme Normale Conjonctive). Cela permet de voir clairement les "briques" de l'argument : les prédicats (les actions comme "manger"), les termes (les objets comme "la pomme") et les clauses (les phrases complètes).

2. L'Échelle à 4 Niveaux (La Comparaison)

Au lieu de comparer deux arguments d'un seul coup, leur système les compare comme on comparerait deux maisons, brique par brique, du sol au toit. Ils ont créé une échelle à 4 niveaux :

Les briques (Prédicats/Termes) : Est-ce que "Chien" ressemble à "Chien" ? Oui. À "Chat" ? Un peu. À "Banane" ? Pas du tout.
Les murs (Literals) : Comment les briques s'assemblent-elles ? "Le chien mange" vs "Le chien dort".
Les pièces (Clauses) : Comment les murs forment une pièce ?
La maison entière (Formules/Arguments) : Comment toutes les pièces forment l'argument final ?

C'est comme comparer deux maisons : si les fondations sont différentes, toute la maison est différente, même si le toit est identique.

3. Le Poids de l'Importance (Le Contexte)

C'est ici que leur système devient vraiment intelligent. Dans une phrase, toutes les informations ne se valent pas.

L'analogie : Imaginez que vous comparez deux photos de vacances.
- Photo A : "Un chien joue avec un sac dans un parc."
- Photo B : "Un chien joue avec un sac dans un parc."
- Photo C : "Un chien joue avec un chat dans un parc."
Si vous regardez juste les mots, A et B sont identiques. Mais si vous regardez A et C, le mot "chat" change tout.
Le système des auteurs permet d'attribuer des poids (des importance) aux mots.
- Si on compare des arguments sur la sécurité, le mot "danger" aura un poids énorme (comme un poids de 10kg).
- Le mot "parc" aura un poids léger (comme une plume).
- Ainsi, si deux arguments diffèrent sur le mot "danger", le système dira : "C'est très différent !" même si le reste est identique.

4. L'Exemple du Zoo (Le Cas Concret)

Les auteurs testent leur système avec une histoire drôle :

Scénario 1 : "Un chien taquine un singe au zoo."
Scénario 2 : "Un singe taquine un chien au zoo."

Un ordinateur bête dirait : "C'est pareil ! Les mêmes mots !" (Score 100%).
Un humain dit : "Attendez, c'est l'inverse ! Dans le premier, le chien est l'agresseur. Dans le deuxième, c'est le singe. Le sens est différent !"

Leur système, grâce aux poids contextuels, comprend que le rôle (qui fait quoi à qui) est crucial. Il donne un score de ressemblance plus réaliste (environ 63%), ce qui correspond à ce qu'un humain jugerait. Il explique même pourquoi : "Les lieux sont pareils (poids faible), mais les rôles sont inversés (poids fort), donc la similarité baisse."

Pourquoi est-ce important ?

Imaginez que vous voulez aider un avocat à résumer des milliers de dossiers, ou que vous voulez qu'une IA comprenne pourquoi deux opinions sont en conflit.

Avant : L'IA voyait juste des mots et se trompait souvent.
Avec cet outil : L'IA devient un juge logique. Elle comprend la structure, elle sait ce qui est important dans le contexte, et elle peut expliquer ses notes (par exemple : "Je donne 60% de similarité parce que les conclusions sont opposées, même si les faits sont proches").

En résumé

Ce papier propose une nouvelle règle du jeu pour mesurer la ressemblance entre des idées complexes. Au lieu de compter les mots comme des billes, ils construisent une balance intelligente qui pèse chaque partie de l'argument selon son importance réelle. C'est un pas de géant pour rendre les ordinateurs plus intelligents dans la compréhension du langage humain et des débats logiques.

1. Problématique

La similarité entre arguments formels est un enjeu crucial dans plusieurs domaines de l'intelligence artificielle, notamment l'agrégation d'arguments (dans les sémantiques graduelles), le décodage d'enthymèmes (reconstruction d'arguments incomplets) et l'explicabilité des systèmes d'IA (XAI).

Limites des approches existantes : La majorité des travaux actuels se concentrent sur la logique propositionnelle. Ils peinent à gérer la richesse structurelle de la Logique du Premier Ordre (LPO ou FOL), où les arguments contiennent des prédicats, des variables et des termes complexes.
Défis spécifiques à la LPO :
- Proximité syntaxique : Comment mesurer la similarité entre des structures logiques complexes sans se perdre dans la combinatoire des instanciations de variables ?
- Contexte sémantique : Les approches purement syntaxiques ignorent que certains symboles (ex: "chien", "dominer") sont plus importants que d'autres dans un contexte donné.
- Évolutivité : Les méthodes basées sur l'instanciation complète des variables deviennent impraticables sur de grands domaines.

L'objectif de ce papier est de proposer un cadre unifié pour mesurer la similarité entre arguments en LPO, capable de capturer à la fois la structure logique et le contexte sémantique, tout en restant scalable.

2. Méthodologie

Les auteurs proposent un cadre hybride combinant la représentation symbolique (LPO) et des modèles de langage (pour la similarité sémantique), structuré en trois étapes principales :

A. Transformation Logique et Normalisation

Représentation : Les arguments sont définis comme des paires $\langle \Phi, \alpha \rangle$ (support, conclusion).
Transformation CNF : Pour faciliter la comparaison structurelle, les formules sont converties en Forme Normale Conjonctive (CNF).
- Utilisation de la Skolemisation pour éliminer les quantificateurs existentiels (remplacement par des fonctions de Skolem), ce qui évite l'explosion combinatoire de l'instanciation tout en préservant la satisfiabilité.
- Les arguments sont ainsi représentés comme des ensembles de clauses (littéraux).

B. Modèle de Similarité Multi-Niveaux

Le cœur du framework est une mesure de similarité hiérarchique à quatre niveaux, où chaque niveau dépend du précédent :

Prédicats et Termes ( $sim_P$ ) : Mesure de similarité entre les symboles (ex: "Tease" vs "Attack") et les constantes/variables.
Littéraux ( $sim_L$ ) : Combinaison de la similarité des prédicats et des paramètres (termes), avec une gestion de l'ordre (sensé ou non).
Clauses ( $sim_C$ ) : Agrégation de la similarité des littéraux au sein d'une clause, utilisant une mesure de Tversky floue pour gérer les chevauchements partiels.
Ensembles de clauses / Formules ( $sim_S$ ) : Comparaison des supports et des conclusions en trouvant les meilleures correspondances (matching) entre les clauses.

C. Pondération Contextuelle

Contrairement aux approches statiques, ce framework intègre des poids contextuels ( $w$ ) attribués aux prédicats, termes et clauses.

Ces poids permettent de prioriser les éléments informatifs (ex: un prédicat d'action comme "Tease" peut avoir un poids plus élevé qu'une localisation).
La similarité finale est une moyenne pondérée, rendant le système sensible au contexte de l'application (ex: dans un débat, la conclusion peut être plus importante que le support).

D. Fondations Axiomatiques

Les auteurs définissent un ensemble de principes (axiomes) que toute mesure de similarité rationnelle devrait respecter, tels que :

Maximalité : Un argument est parfaitement similaire à lui-même.
Symétrie : La similarité est réciproque.
Indépendance Syntaxique (optionnelle) : La similarité ne doit pas dépendre du nom des variables (bien que le modèle proposé puisse être syntax-dépendant pour capturer la sémantique).
Minimalité et Non-Zéro : La similarité globale doit découler directement des similarités de base (prédicats/termes).
Monotonie et Renforcement : L'ajout d'informations similaires doit augmenter (ou ne pas diminuer) la similarité globale.

3. Contributions Clés

Premier cadre hybride pour la LPO : C'est la première étude proposant un modèle de similarité pour les arguments en LPO qui combine la structure logique (CNF), les modèles de langage (SBERT pour la similarité sémantique des prédicats) et des poids contextuels explicites.
Modèle Paramétrique à Quatre Niveaux : Une architecture modulaire permettant de calculer la similarité de manière explicative, du niveau atomique (prédicat) au niveau macro (argument complet).
Fondation Axiomatique Étendue : Définition et preuve formelle de la satisfaction de nombreux principes rationnels (Monotonie, Renforcement, etc.) pour les modèles proposés.
Gestion de l'Évolutivité : En évitant l'instanciation complète via la Skolemisation et l'approximation des variables, le cadre reste applicable à des domaines ouverts et vastes, typiques du traitement du langage naturel.

4. Résultats et Évaluation

Les auteurs illustrent leur approche sur des exemples concrets tirés de jeux de données de similarité textuelle (STSb) et de scénarios d'argumentation (animaux au zoo).

Cas d'étude (Teasing) :
- Comparaison de phrases comme "Un chien taquine un singe" vs "Un singe taquine un chien".
- Résultat : Le modèle attribue une similarité de 0,628, ce qui correspond très étroitement au score moyen humain (0,630).
- Comparaison avec l'état de l'art :
  - SBERT donne un score très élevé (0,985) mais sans explication, car il ne capture pas le rôle inversé (agent/patient).
  - ChatGPT-4o donne un score plus bas (0,400) avec une justification textuelle, mais manque de structure et de quantification précise.
  - Le modèle proposé offre un score intermédiaire justifié : il détecte que les localisations sont identiques (poids faible) mais que les rôles d'agents sont inversés sur le prédicat principal (poids élevé), réduisant ainsi la similarité globale de manière transparente.
Analyse des Arguments :
- Le système permet de comparer des arguments complets (support + conclusion) et montre comment le paramètre de pondération $\eta$ (importance relative du support vs la conclusion) peut faire varier le classement des arguments (ex: A2 est plus proche de A1 ou A3 selon $\eta$ ).
Validation Axiomatique :
- Les preuves théoriques démontrent que les modèles proposés satisfont la majorité des principes axiomaux (13 sur 14 pour le modèle syntax-dépendant), garantissant un comportement rationnel.

5. Signification et Perspectives

Interprétabilité : Contrairement aux "boîtes noires" des embeddings vectoriels, ce framework fournit une décomposition symbolique de la similarité. On peut voir exactement quelles clauses ou quels prédicats contribuent le plus au score final, ce qui est essentiel pour l'XAI (Explicable AI).
Applications Potentielles :
- Agrégation d'arguments : Éviter la redondance dans les systèmes de décision en reconnaissant les arguments similaires.
- Décodage d'enthymèmes : Reconstruire des arguments manquants en trouvant les structures logiques les plus proches.
- Clustering de textes : Regrouper des arguments naturels basés sur leur structure logique sous-jacente.
Travaux Futurs :
- Automatisation de l'apprentissage des poids contextuels.
- Exploration de mesures de similarité non symétriques (utiles pour les relations d'attaque ou de support).
- Évaluation empirique sur des benchmarks textuels plus larges.

En conclusion, ce travail établit un pont solide entre la logique formelle rigoureuse et la flexibilité sémantique des modèles de langage, offrant un outil puissant et explicable pour l'analyse d'arguments complexes.