💬 NLP

Fine-Grained Perspectives: Modeling Explanations with Annotator-Specific Rationales

Cet article propose un cadre novateur pour modéliser conjointement les prédictions de labels et les explications spécifiques à chaque annotateur via un mécanisme de « passeport utilisateur », démontrant que l'intégration de ces rationales améliore la performance prédictive et offre une représentation plus fidèle des désaccords dans les tâches d'inférence linguistique naturelle.

Auteurs originaux : Olufunke O. Sarumi, Charles Welch, Daniel Braun

Publié 2026-04-24

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Olufunke O. Sarumi, Charles Welch, Daniel Braun

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 Titre : "Comprendre pourquoi chacun voit les choses différemment"

Imaginez que vous montrez une photo ambiguë à un groupe d'amis.

Paul dit : "C'est un chat !"
Sophie dit : "Non, c'est un lapin !"
Marc dit : "C'est un chat, mais il a l'air triste."

Dans le monde de l'intelligence artificielle (IA), on a longtemps cherché à forcer l'ordinateur à choisir une seule réponse "vraie" (la majorité). Mais cette nouvelle recherche dit : "Attendez ! Ce n'est pas une erreur, c'est une perspective !"

L'objectif de ce papier est de créer une IA qui ne se contente pas de deviner la réponse, mais qui comprend pourquoi chaque personne donne sa réponse, en utilisant leurs propres explications.

🧩 Le Problème : L'IA qui ignore les "Pourquoi"

Jusqu'à présent, les IA étaient comme un professeur très strict qui ne note que la réponse finale sur la copie.

Si l'élève écrit "La réponse est B", c'est bon.
Si l'élève écrit "La réponse est B, parce que...", le professeur ignore souvent le "parce que".

Les chercheurs disent : "Non ! Le 'parce que' est crucial." C'est là que réside la perspective de la personne. Parfois, deux personnes sont d'accord sur la réponse (B), mais pour des raisons totalement différentes.

🛠️ La Solution : Deux nouvelles "Recettes" pour l'IA

Les auteurs ont créé un système qui apprend à la fois à deviner la réponse et à écrire l'explication, en tenant compte de l'identité de la personne qui répond. Ils ont testé deux méthodes, que l'on peut imaginer ainsi :

1. La Méthode "Post-It" (L'Expliquer Post-hoc)

Imaginez que l'IA a déjà deviné la réponse. Ensuite, elle prend un petit post-it (une note) et écrit : "Je pense que c'est un chat parce que..." en se basant uniquement sur ce qu'elle a lu.

Avantage : C'est rapide et l'IA utilise souvent les mêmes mots que les humains (elle imite bien le style).
Inconvénient : C'est un peu comme si l'IA inventait une excuse après coup. Le lien entre sa "cervelle" (sa décision) et sa "bouche" (son explication) est faible.

2. La Méthode "Le Pont Magique" (L'Expliquer Prefixed Bridge)

C'est la méthode gagnante de l'étude. Imaginez que l'IA a un pont secret entre son cerveau (qui décide) et sa bouche (qui explique).

Au lieu de juste lire le texte, l'IA transfère directement ses pensées intimes (ses représentations internes) vers le générateur de texte.
C'est comme si l'IA disait : "Je ne vais pas juste écrire une phrase, je vais vous montrer exactement ce que je 'ressens' dans mes circuits pour justifier ma réponse."
Résultat : L'explication est beaucoup plus fidèle à la logique réelle de l'IA. C'est plus cohérent, même si le style des mots est parfois un peu moins "parfait" que la méthode Post-It.

📊 Les Résultats : Ce que ça change

En utilisant un jeu de données où des humains expliquaient leurs choix (le jeu VariErrNLI), les chercheurs ont découvert :

L'IA devient plus intelligente : En forçant l'IA à écrire des explications, elle devient meilleure pour deviner les réponses. C'est comme si l'acte d'expliquer aidait à mieux comprendre.
La méthode "Pont Magique" gagne : Elle produit des explications qui ont plus de sens (sémantique) et sont plus stables. Elle comprend mieux pourquoi un humain a fait une erreur ou un choix bizarre.
Chaque humain est unique : Le système a appris que l'explication de "Marc" (un étudiant) est différente de celle de "Sophie" (une professeure), même s'ils arrivent à la même conclusion. L'IA a appris à respecter ces différences individuelles.

🌍 En Résumé : Pourquoi c'est important ?

Pensez à un tribunal.

L'ancienne IA disait : "Le coupable est X" (et c'était tout).
La nouvelle IA dit : "Le coupable est X, et voici pourquoi ce témoin a vu les choses ainsi, et pourquoi ce témoin a vu les choses différemment."

Cette recherche nous dit que pour créer une IA vraiment intelligente et juste, il ne faut pas chercher à effacer les désaccords humains. Au contraire, il faut les modéliser. En apprenant à l'IA à générer les explications spécifiques à chaque personne, on obtient un système plus transparent, plus fiable et capable de comprendre la richesse de la pensée humaine, avec toutes ses nuances et ses erreurs.

C'est passer d'une IA qui dit "La Vérité" à une IA qui dit "Voici comment vous voyez la vérité".

1. Problématique et Contexte

Le domaine du Traitement Automatique du Langage Naturel (TALN) "perspectiviste" soutient que les annotations ne doivent pas converger vers une seule étiquette de consensus, mais refléter les jugements individuels des annotateurs, y compris leurs désaccords. Cependant, les approches existantes modélisent souvent ces perspectives de manière implicite (via des identifiants d'utilisateur ou des métadonnées démographiques) sans intégrer explicitement les rationales (explications textuelles) fournies par les annotateurs.

Le problème central abordé par cette étude est le suivant : comment modéliser conjointement la prédiction d'étiquettes spécifiques à un annotateur et la génération de leurs explications correspondantes ? L'objectif est de traiter les explications non pas comme de simples justifications a posteriori, mais comme des expressions directes de la perspective fine de l'annotateur, permettant ainsi une représentation plus fidèle de la diversité humaine et des désaccords.

2. Méthodologie

Les auteurs proposent un cadre unifié utilisant le jeu de données VariErrNLI (Variation vs. Error), qui contient des étiquettes NLI (Inférence Naturelle) désagrégées et des rationales spécifiques à chaque annotateur.

Le système se compose de deux modules principaux :

A. Classification Sensible à l'Annotateur (Annotator-Aware Classifier)

Architecture : Basée sur un encodeur DeBERTa-v3-base.
Mécanisme "User Passport" : Pour modéliser explicitement l'identité et le contexte de l'annotateur, le modèle utilise une fusion au niveau de la représentation :
1. Une représentation contextuelle de l'entrée (contexte + énoncé).
2. Un embedding appris unique pour chaque annotateur ( $u_j$ ).
3. Une projection des métadonnées démographiques de l'annotateur ( $m_j$ ).
Ces trois vecteurs sont concaténés pour former une représentation fusionnée ( $z_{ij}$ ) utilisée par la tête de classification pour prédire l'ensemble d'étiquettes spécifique à l'annotateur.

B. Modélisation de l'Explication (Explainer)

Deux architectures sont comparées pour générer les rationales :

Explorateur Post-hoc (Prompt-based) :
- Utilise un modèle séquence-à-séquence (Flan-T5).
- L'entrée est un prompt textuel contenant le contexte, l'énoncé, les étiquettes "gold" (ou prédites), le profil de l'annotateur et un token de contrôle spécifique.
- Il n'y a pas de connexion différentiable directe entre le classifieur et l'explorateur ; l'information passe uniquement par le texte.
Explorateur à Pont Préfixé (Prefixed Bridge Explainer) :
- Introduit un couplage fort entre la classification et la génération.
- Un petit réseau de neurones (MLP à 2 couches), appelé "Pont", projette la représentation interne fusionnée du classifieur ( $z_{ij}$ ) en une séquence d'embeddings de préfixe.
- Ces préfixes sont injectés directement dans l'encodeur du modèle de génération (T5) avant le traitement du texte.
- Cela permet au générateur d'accéder directement aux signaux de raisonnement internes de l'annotateur, au-delà des simples mots-clés.

3. Contributions Clés

Intégration des Rationales : Première approche modélisant explicitement les rationales d'annotateurs spécifiques comme des expressions de perspective, et non comme des justifications secondaires.
Architecture à Pont Préfixé : Introduction d'un mécanisme de transfert de représentations continues du classifieur vers le générateur, permettant une alignement sémantique plus profond entre la prédiction et l'explication.
Analyse Fine des Désaccords : Démonstration que la modélisation conjointe améliore la compréhension des variations subtiles entre annotateurs qui pourraient s'accorder sur une étiquette mais diverger sur le raisonnement.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données VariErrNLI (4 annotateurs, ~1900 paires étiquette-explication).

Performance Prédictive :
- L'intégration de la modélisation des explications améliore considérablement les performances par rapport à un classifieur de base (User Passport seul, F1 Macro = 70,5).
- L'explorateur à Pont Préfixé obtient le meilleur score (F1 Macro = 93,9, Exact Match = 92,4), surpassant l'approche Post-hoc (F1 Macro = 92,3).
Qualité des Explications :
- Similarité Lexicale (ROUGE-L) : L'approche Post-hoc obtient des scores légèrement supérieurs, suggérant une meilleure similarité de surface avec les textes de référence.
- Similarité Sémantique : L'approche à Pont Préfixé obtient une similarité sémantique nettement supérieure (53,4 contre 51,0), indiquant que ses explications sont mieux alignées sur le sens et le raisonnement sous-jacent, même si le vocabulaire diffère.
Analyse par Annotateur :
- Le modèle à Pont Préfixé montre une stabilité supérieure pour la plupart des annotateurs, en particulier pour ceux dont les raisonnements sont moins structurés.
- L'approche Post-hoc fonctionne exceptionnellement bien pour un annotateur spécifique (Ann2, post-doctorant), suggérant que la qualité et la cohérence des données d'entraînement influencent fortement les résultats.

5. Signification et Conclusion

Cette étude démontre que traiter les explications comme des données d'apprentissage primaires, et non secondaires, enrichit considérablement la modélisation des perspectives en TALN.

Alignement Inférentiel : Le couplage structurel (Pont Préfixé) permet au modèle de mieux capturer la relation entre la décision de classification et le raisonnement humain, réduisant les incohérences entre l'étiquette prédite et l'explication générée.
Représentation Fidèle : En intégrant les rationales, le système devient capable de représenter la "vérité" non pas comme un consensus, mais comme un spectre de perspectives nuancées, ce qui est crucial pour les systèmes NLP éthiques et transparents.
Limites et Perspectives : Les auteurs notent que la taille limitée du jeu de données et le manque de diversité démographique contrôlée limitent la généralisation. Ils suggèrent des travaux futurs pour étendre le dataset avec des rationales de locuteurs natifs et d'autres langues, ainsi que l'exploration de modèles ensemblistes combinant les forces des deux approches.

En résumé, ce travail avance l'état de l'art vers des systèmes NLP plus sensibles aux perspectives humaines en intégrant la génération d'explications directement dans l'architecture prédictive.