8

Chapitre 0

objets modaux du fait que nous décrivons plutôt des spécimens que des espèces et que les experts préfèrent fonder leurs décisions sur des valeurs descriptives tranchées (ils n'ont pas d'état d'âme pour juger des spécimens !).

Les "bonnes" descriptions de spécimens sont déjà un premier objectif à résoudre pour constituer un système robuste. Il s'agit de représenter et de stocker dans des fichiers informatiques les "images" les plus fidèles possibles des individus étudiés. Ces données descriptives sont instanciées à partir du questionnaire et du modèle descriptif et peuvent alors être transmises telles quelles ou bien traitées par des algorithmes pour exploiter le savoir qu'elles véhiculent.

Pour que la méthode exposée plus haut apporte la robustesse escomptée, il faut tenir compte de la qualité des acteurs (spécimen(s), expert(s), utilisateur(s), outils d'acquisition de connaissances, algorithmes d'apprentissage) pouvant intervenir aux différentes étapes de la chaîne, de manière à augmenter la qualité des descriptions et des règles apprises. En outre, contrairement au naturaliste amateur qui cherche à justifier son modèle par des exemples conformes, l'expert ne dédaigne pas la recherche de contre-exemples pour invalider ses hypothèses. Cette démarche scientifique de remise en cause systématique du modèle descriptif et des règles apprises permet à l'expert d'avancer dans sa recherche de règles plus vraisemblables qui éliminent les contre-exemples (le perfectionnisme du chercheur !). Elle implique néanmoins que l'informaticien lui fournisse des outils d'aide à la mise à jour de ses connaissances, notamment pour assurer la cohérence des anciennes descriptions (certains caractères ne sont plus valides dans le nouveau modèle) ou leur complétude (quand de nouveaux descripteurs sont apparus dans le modèle).

Dans cette thèse, nous avons réalisé une grande partie de ces outils permettant de constituer une chaîne complète depuis la modélisation jusqu'au traitement des connaissances descriptives. En amont de la phase de traitement, nous avons implanté les deux premiers aspects de la méthode (acquérir l'observable dans un modèle descriptif, acquérir l'observé dans un questionnaire) avec un outil baptisé HyperQuest, que nous présentons au chapitre 6. L'originalité réside dans le choix de l'approche hypertexte qui permet de respecter une étroite correspondance entre les objets conceptuels décrits au chapitre 5 (objet de synthèse, assertion composite, horde composite, objet classifié, objet muni de méthodes ou de propriétés) et les entités hypertextes (pile, fond, carte, bouton, champs). Cela permet de s'affranchir d'une application particulière et d'atteindre un niveau de généricité inter-applications, de manière à construire automatiquement un questionnaire à partir de la connaissance du modèle descriptif. Ce questionnaire peut être ensuite personnalisé et illustré par l'expert lui-même très facilement de manière à procurer à l'utilisateur les moyens de "savoir observer" et "savoir décrire". L'ergonomie et la convivialité sont alors des paramètres importants de la robustesse du système pour acquérir des descriptions de qualité.