Des mailles du filet au graphe d’influence

Les graphes cognitifs sont un modèle de représentation des connaissances formalisé par Robert Axelrod[1] pour représenter des interactions entre des concepts liés au monde politique. Ils ont été utilisés dans de nombreux domaines tels que l’écologie[2], la politique[3] ou encore la biologie, notamment dans le cadre d’études liées au monde de la pêche[4]. Ils sont également parfois appelés « cartes cognitives » ou « cartes causales ». Nous préférons le terme de « graphe cognitif » pour le projet, afin d’éviter la confusion avec le terme de « carte » utilisé fréquemment en géographie. Ce modèle sera utilisé pour étudier et analyser les stratégies qui déterminent le choix d’une zone de pêche. Les différents graphes seront récoltés dans le cadre d’entretiens individuels. C’est une information à dires d’acteur.

Le modèle des graphes cognitifs

Les graphes cognitifs représentent des influences entre des concepts. Les concepts sont les nœuds de ce graphe et représentent des notions du monde réel. Ils peuvent être des événements (exemple : Création d’une nouvelle licence), des données quantifiables (exemple : Prix du gazole) ou des connaissances empiriques (exemple : Connaissance d’une zone de pêche). Les influences sont les arcs du graphe et représentent des relations de cause à effet entre deux concepts. Chaque influence est étiquetée par une valeur qui permet de renseigner qualitativement son signe, et éventuellement sa force. Cette valeur appartient à un ensemble de valeurs choisi avant même la construction du graphe.

Les valeurs

Exemple de graphe cognitif défini sur l'ensemble de valeurs {+,-}.
Exemple de graphe cognitif défini sur l’ensemble de valeurs {+,-}.

Ce graphe est défini sur un ensemble de valeurs très simple, n’autorisant que les valeurs « + » et « -« . Si on considère l’influence portant la valeur « + » entre le concept « Bateau de pêche » et le concept « Pêche Coquille St-Jacques », elle signifie que « en général, un bateau de pêche influence positivement la pêche de coquille Saint-Jacques ». En effet, puisqu’un bateau de pêche effectue fréquemment de la pêche de coquilles, plus il y a de bateaux de pêche, plus il y a de pêche de coquille Saint-Jacques. Inversement, si on considère l’influence portant la valeur « – » entre « Pêche Coquille St-Jacques » et « Population Coquille St-Jacques », elle signifie que « en général, la pêche de coquille Saint-Jacques influence négativement la population de coquille Saint-Jacques ». En effet, plus il y a de pêche de coquille Saint-Jacques, plus la population diminue. Cette exemple simple est bien évidemment schématique. Les graphes cognitifs sont généralement plus grands et font intervenir davantage de concepts et d’influences. L’ensemble de valeurs {+,-} a l’avantage d’être simple à utiliser mais sa trop faible expressivité empêche de pouvoir quantifier la force d’une influence.

Exemple de graphe cognitif défini sur l'ensemble de valeurs [-1;1].
Exemple de graphe cognitif défini sur l’ensemble de valeurs [-1;1].

Ce graphe utilise alors des valeurs numériques pour « quantifier » la force d’une influence. Il autorise toutes les valeurs comprises dans l’intervalle [-1;1]. Un intervalle de valeurs numériques a l’avantage de permettre de quantifier la force d’une influence avec un niveau de détail infini, selon le choix du constructeur du graphe. L’inconvénient est que le sens associé à ces valeurs est parfois difficile à appréhender s’il n’a pas été clairement défini. Certains modèles de graphes cognitifs associent ces valeurs à la logique floue[5], d’autres aux probabilités[6]. Le choix le plus intuitif et le plus simple est de se limiter à un certain nombre de valeurs et de considérer que celles-ci représentent une échelle de degrés d’influence.

Valeur Signification
1 très faiblement
2 plutôt faiblement
3 plutôt fortement
4 très fortement

Placer une valeur de « 4 » sur une influence signifierait ainsi qu’une concept influence très fortement un autre. Une valeur de « -2 » signifierait qu’un concept influence négativement un autre, mais plutôt faiblement. Une telle représentation des valeurs est compatibles avec la vision d’un graphe cognitif associé à la logique floue mais ne nécessite pas de comprendre ce qui signifie la logique floue[7] pour appréhender le sens des valeurs.

Utilisation

Les valeurs portées par les influences sont utilisées pour calculer l’influence propagée d’un concept sur un autre. Cette influence propagée représente l’influence globale du concept sur l’autre dans le graphe, quelque soit le chemin d’influences emprunté. Cela fait des graphes cognitifs un modèle très utile à la prise de décision : en calculant l’influence propagée d’un concept sur un autre, on peut avoir un aperçu des conséquences que pourrait avoir une décision si elle venait à intervenir sur ce concept particulier. Par ailleurs, l’influence propagée peut être utilisée pour valider un graphe, c’est-à-dire pour vérifier si celle-ci comprend bien les informations qu’on souhaite représenter. Par exemple, si on connaît l’influence que doit avoir un concept sur un autre, on peut vérifier que notre graphe est bien construite en calculant l’influence propagée entre ces deux concepts et en vérifiant que le résultat obtenu correspond à celui attendu. Ce calcul d’influence dépend bien évidemment de l’ensemble de valeurs sur lequel le graphe cognitif est défini, et notamment de la sémantique qui lui est associée. Il n’existe donc pas d’opérateur de calcul de l’influence propagée universel, applicable à n’importe quel type de graphe cognitif. Néanmoins, la plupart des opérateurs respecte la structure suivante[8] :

  1. on liste l’ensemble des chemins qui permettent de relier les deux concepts ;
  2. pour chacun de ces chemins, on considère l’influence propagée portée par ce chemin, calculée généralement en combinant les valeurs portées par les influences qui composent ce chemin ;
  3. enfin, on agrège toutes ces valeurs calculées pour obtenir l’influence propagée entre les deux concepts.

Une autre utilisation des graphes cognitifs consiste à effectuer une étude statistique pour identifier quels sont les concepts les plus intéressants du graphe. Certaines études consistent également à détecter la présence de boucles dans le graphe, et de vérifier si chaque boucle porte une valeur positive, auquel cas elle représente un cercle vertueux, ou bien si elle porte une valeur négative, auquel cas elle représente un cercle vicieux. Le projet Kifanlo a notamment pour but d’identifier quels sont les principaux facteurs déterminant le choix d’une stratégie de pêche. Dans le cadre du projet, les graphes cognitifs modélisent ces stratégies, leur étude permettra d’identifier quels sont ces facteurs. Cependant, ceci concerne un cas d’étude qui n’a pas encore été abordé.

Pour aller plus loin…

Dans ce billet, le modèle classique des graphes cognitifs a été présenté. De nombreuses extensions au modèle classique des graphes cognitifs ont été proposées. Certains visent à ajouter des informations sur les concepts ou les influences dans le but de calculer des valeurs d’influences plus pertinentes. D’autres consistent à associer les graphes à d’autres modèles dans le but d’en faciliter la construction ou l’utilisation. C’est notamment le cas des graphes cognitifs ontologiques, associant les graphes à une ontologie et brièvement présentés dans le précédent billet.

Dans le cadre du projet Kifanlo, les graphes cognitifs étant le modèle étant le modèle qui représentera les connaissances des pêcheurs, une étude approfondie de leur construction et de leur utilisation est à envisager. Il faudra tout d’abord définir :

  • la phase de collecte durant laquelle nous allons récupérer les connaissances des pêcheurs sous la forme de graphes cognitifs
  • la phase de synthèse des graphes, qui consistera à réunir toutes ces connaissances sous la forme de graphes simplifiés
  • l’étude de tous ces graphes cognitifs dans le but d’identifier quels les concepts déterminant les stratégies de pêche.

Pour ce faire, diverses extensions du modèle sont à envisager, de manière à faciliter chacune de ces phases. Chacune de ces phases ainsi que les extensions retenues seront présentées dans des billets ultérieurs, au fur et à mesure de l’avancement des recherches.

Références

  1. Robert M. Axelrod (1976). Structure of decision: the cognitive maps of political elites. Princeton, N.J., USA.
  2. Denis Poignonec (2006). Apport de la combinaison cartographie cognitive/ontologie dans la compréhension de la perception du fonctionnement d’un écosystème récifo-lagonaire de Nouvelle-Calédonie par les acteurs locaux. Thèse de doctorat, ENSA Rennes, France.
  3. Magali Prigent et Guy Fontenelle (2006). Perception et attentes des professionnels de Manche-Est vis à vis de l’écosystème qu’ils exploitent. Rapport technique, Agrocampus Rennes, France.
  4. Gwen Christiansen (2011). Modélisation du savoir portée par les acteurs d’un système&nsbp;: application aux pêcheurs à la coquille en rade de Brest. Mémoire de master, Agrocampus Ouest, Saint-Brieuc, France.
  5. Bart Kosko (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24:65-75.
  6. Aymeric Le Dorze, Béatrice Duval, Laurent Garcia, David Genest, Philippe Leray et Stéphane Loiseau. Probabilistic Cognitive Maps. Proceedings of the 6th International Conference on Agents and Artificial Intelligence (ICAART 2014), March 6-8, 2014, Angers, France, pages 52-62.
  7. Lotfi A. Zadeh (1965). Fuzzy Sets. Information and Control, 8(3):338-353.
  8. Lionel Chauvin (2010). Modèles de cartes cognitives étendues aux notions de contexte et d’échelle. Thèse de doctorat, LERIA, Université d’Angers, France.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *