Abstract FR:

Notre démarche sur la robustesse s'appuie sur l'application de la méthode scientifique en biologie (expérimenter et tester) afin d'aider les naturalistes à mieux comprendre leur domaine, à éprouver leurs opinions et à transmettre leurs connaissances. Nous avons conçu des outils informatiques conviviaux permettant de construire une base de descriptions structurées et pré-classées (les exemples), d'apprendre des hypothèses inductives (les classifications), puis de les mettre à l'épreuve par de nouvelles observations (détermination déductive ou identification). La qualité des descriptions est fondamentale pour l'apprentissage. De plus, elles doivent être comparables entre elles, et reposent donc sur un modèle descriptif que l'expert va explicitement représenter et structurer. Pour l'aider, nous avons dégagé certains mécanismes d'observation à partir de monographies publiées dans la littérature. Le modèle correspond aux objets observables du domaine représenté par un arbre de description. Ensuite, un questionnaire est construit automatiquement à partir du modèle descriptif. Le biologiste utilise celui-ci comme un guide d'observation pour acquérir des descriptions observées et constituer une base de cas cohérente par rapport au modèle. Les cas sont alors traités selon deux technologies complémentaires en fonction de l'objectif poursuivi. Pour la classification, une méthode d'apprentissage inductif permet d'engendrer un arbre de décision caractérisant les classes. Pour la détermination, le raisonnement par cas remplace avantageusement l'induction en partant directement des exemples et en indexant dynamiquement les critères en fonction des réponses de l'utilisateur. Néanmoins, la méthode inductive, tout comme l'utilisation répétitive du questionnaire, permet de détecter des incohérences éventuelles dans la base de cas, ce qui permet la validation du modèle descriptif. La méthode proposée donne donc à l'expert la possibilité de mettre à jour les connaissances en fonction des résultats (classification et identification) et d'améliorer son modèle descriptif de manière itérative afin de constituer un système d'apprentissage de plus en plus robuste, prélude à l'élaboration d'outils de TAO (taxonomie assistée par ordinateur) plus performants