Logical modelling of reasoning and learning : a bio-inspired approach

• Main Author: Grimaud, Christel
• Other Authors: Lille 3
• Language: fr
• Published: 2016
• Subjects: Modélisation logique; Logique non-Monotone; Raisonnement; Apprentissage; Sciences cognitives; Logical modelling; Non-Monotonic Logic; Reasoning; Learning; Cognitive sciences
• Online Access: http://www.theses.fr/2016LIL30026/document

Dans ce mémoire, on s’inspire des sciences cognitives pour aborder la question de la modélisation logique du raisonnement et de l’apprentissage. Notre principale conviction est qu’il faudrait, pour traiter ce problème, prendre modèle sur la manière dont les agents naturels (c’est à dire les humains et les animaux) procèdent lorsqu’ils raisonnent ou apprennent. Considérant que le raisonnement fait appel à un grand nombre de facultés cognitives distinctes, et qu’il ne serait donc pas raisonnable d’espérer modéliser d’un seul coup l’ensemble du raisonnement humain, on se concentre ici sur un type d’inférences très simples dont on soutient qu’elles constituent le coeur du raisonnement chez tous les animaux à cerveau. On identifie un processus sous-jacent plausible pour ces inférences, d’abord au niveau mental de description, puis au niveau neuronal, et on développe une famille de modèles logiques permettant de le simuler. On s’attache ensuite à produire un ensemble de règles d’inférence caractérisant les relations d’inférence induites par ces modèles. Ces règles résultent du processus suggéré, et doivent donc être vues comme des règles qui, d’après le modèle, émergent fonctionnement des cerveaux. Enfin, on analyse les processus d’apprentissage attachés aux inférences considérées, et on montre comment le formalisme proposé permet de les modéliser. Pour conclure on évoque brièvement les possibles développements futurs du modèle, et notamment on donne quelques indications quant à la manière dont la modélisation d’un certain nombre de facultés additionnelles pourrait être envisagée. === In this dissertation, we take inspiration in cognitive sciences to address the issue of the logical modelling of reasoning and learning. Our main thrust is that to address these issues one should take inspiration in the way natural agents (i.e., humans and animals) actually proceed when they draw inferences and learn. Considering that reasoning incorporates a wide range of cognitive abilities, and that it would thus be unreasonable to hope to model the whole of human’s reasoning all at once, we focus here on a very basic kind of inferences that, we argue, can be considered as the primary core of reasoning in all brained animals. We identify a plausible underlying process for these inferences, first at the mental level of description and then at the neural level, and we develop a family of logical models that allow to simulate it. Then we tackle the issue of providing sets of rules to characterise the inference relations induced by these models. These rules are a by-product of the posited process, and should thus be seen as rules that, according to the model, result from the very functioning of brains. Finally we examine the learning processes attached to the considered inferences, and we show how to they can be modelled within our framework. To conclude we briefly discuss possible further developments of the framework, and in particular we give indications about how the modelling of some other cognitive abilities might be envisioned.