Chapitre 2 - Résolution De Problèmes - 2.5 Flashcards
Modélisation
Traduction d’un ensemble de propositions théoriques dans un langage formel permettant le calcul ou des résultats découlant de la théorie
Avantages des modèles
1/ Imposer une description complète et rigoureuse du modèle
2/ Fournir de nouveaux moyens de résumer les données
3/ permettre l’analyse des protocoles individuels grâce à la simulation
Composante des modèles de résolution de problèmes
1/ composante rendant compte de l’interprétation du problème
2/ composante rendant compte de la capacité d’apprentissage
3/ mécanisme de décision sur l’action
Les 3 modèles de résolution de problème
Modèle probabiliste
Modèle à base de règles
Modèle des contraintes
Pour quels problèmes a été élaboré le modèle probabiliste?
Problème des jarres et autres problèmes de transformation (notamment missionnaires et cannibales et isomorphes)
Processus impliqués dans le modèle probabiliste
Évaluation des actions possibles
Mémorisation
Sélection des actions
Modèle probabiliste: évaluation des actions possibles
Repose sur le calcul de l’écart au but = différence entre état présent et état attendu au final
Chaque état est affecté d’une fréquence dépendant du nombre de fois ou l’état a été rencontré.
Modèle probabiliste: mémorisation
En MT: stockage des informations sur l’état courant et les états qui ont permis de l’atteindre, et évaluation des états
Durant le processus d’action
EN MLT: stockage des infos sur les états précédemment visités ou utilisés dans le processus d’évaluation et de sélection
Modèle probabiliste: sélection des actions
Combine l’information des 2 précédents pour sélectionner une action parmi celles qui sont possibles
3 étapes:
1/ Évaluation dans un ordre aléatoire des actions possibles
Mouvements inacceptables ou impossibles: rejetés
Mouvements aboutissant à l’état but: systématiquement retenu
Autres mouvements retenus avec probabilité alpha
2/ Processus de mémorisation
Pour trouver une action conduisant à un état pas encore rencontré. Si plusieurs: sélection aléatoire
3/ Que si étape 2 a échoué:
Calcul le choix optimal parmi les actions possibles en sélectionnant l’action qui aboutit à un écart le plus petit avec l’état final
Si choix trop nombreux: choix aléatoire (limitation du à la MT)
Expérience de Atwood et al. (1990) sur le modèle probabiliste
Méthodes:
Résolution du problème des jarres
3 groupes:
1/ contrôle: résolution standard
2/ Allègement de la MT: sujets reçoivent des infos sur les états suivants
3/ Allègement ++ de la MT: sujets reçoivent infos sur états précédents et suivants
Résultats:
Montre rôle important de la limitation des ressources cognitives
Plus on allège la MT, plus les individus réussissent et en moins d’essais
Pourquoi le modèle probabiliste n’a pas été repris depuis?
Malgré la conformité des observations et des calculs
A cause du succès de modèles à base de règles qui se sont fortement développés à la faveur de l’essor de l’intelligence artificielle.
Que postulent les modèles à base de règles?
Que les connaissances et processus de résolution de problèmes peuvent être formalisés à l’aide de règles stockées en mémoire procédurale
Quelles sont les 2 parties des modèles à base de règles?
1/ la condition:
Situation à vérifier avant de pouvoir appliquer la règle
2/ l’action:
ce qu’il faut faire si la condition est réalisée
Actions peut modifier la situation (= actions externes) ou modifier le contenu de la MT (=actions internes)
En fonction de quoi se distinguent les modèles à base de règles?
En fonction du type de règles utilisées et en fonction de la situation problèmes auxquels ils s’appliquent
Exemple de modèles à base de règles
Modèle ACT-R (Anderson, 1993)
Dépasse le seul domaine de la résolution de problème, constitue un modèle général de la cognition
