2004
Copyright PERSEE 2003-2023. Works reproduced on the PERSEE website are protected by the general rules of the Code of Intellectual Property. For strictly private, scientific or teaching purposes excluding all commercial use, reproduction and communication to the public of this document is permitted on condition that its origin and copyright are clearly mentionned.
Daniel Kayser et al., « Modélisations symboliques du raisonnement causal », Intellectica, ID : 10.3406/intel.2004.1715
Pour l'Intelligence Artificielle, le raisonnement causal se compare à et se différencie du raisonnement déductif, et il est intéressant de le rapprocher du raisonnement sur l'action. Le problème de la modélisation est : un ensemble de relations cause/effet génériques étant connu, comment peut-on calculer effectivement l'évolution du monde quand plusieurs événements y adviennent. Nous décrivons deux grandes catégories de modélisations de la cause. La première développe des outils de type logique parmi lesquels nous nous attachons au calcul des situations, à la logique modale et aux chroniques. La seconde s'appuie sur une analyse des rapports entre description probabiliste et action, pour aboutir à une alliance entre graphes et probabilités. Une dernière partie étudie le problème de l'apprentissage, i.e. l'évolution du monde étant connue, comment retrouver les relations causales.