Simple Science

La science de pointe expliquée simplement

# Informatique# Calcul et langage# Intelligence artificielle

Comprendre l'analogie et le raisonnement

Un guide pour reconnaître différents types d'analogies et améliorer ses compétences en raisonnement.

― 6 min lire


Analogie et RaisonnementAnalogie et RaisonnementExpliquésclairement.raisonnement pour penser plusUn regard pratique sur l'analogie et le
Table des matières

L'analogie, c'est une façon de réfléchir sur la similarité entre deux choses. Ça nous aide à comprendre de nouvelles idées en les comparant à des trucs qu'on connaît déjà. Quand on voit des connexions entre différents concepts, on peut tirer des conclusions et donner du sens à de nouvelles infos.

Types d'Analogies

Les analogies peuvent prendre plusieurs formes. Voilà quelques types communs :

  1. Analogies Categoriales : Ce type compare des objets qui appartiennent à la même catégorie. Par exemple, comparer différents types de fruits comme les pommes et les oranges.

  2. Analogies Causales : Ce type se concentre sur les relations de cause à effet. Par exemple, s'il pleut, le sol devient humide.

  3. Analogies Comparatives : Ce type compare les similarités et les différences entre deux objets. Par exemple, comparer la vitesse de différentes voitures.

Le Rôle des Premisses Fausse

Des fois, notre raisonnement repose sur des prémisses fausses. Une prémisse fausse, c'est une affirmation qui n'est pas vraie et qui peut mener à des conclusions incorrectes. Par exemple, si quelqu'un croit que tous les chats sont amicaux et qu'il rencontre un chat qui ne l’est pas, son raisonnement peut devenir foireux.

Exemple de Prémisse Faussée dans l'Analogie

Une analogie courante est de comparer une équipe de foot à une unité militaire. Si on dit qu'une bonne défense est essentielle pour le succès dans les deux cas, on pourrait croire que si l'un a une bonne défense, l'autre doit aussi l'avoir. Cependant, ça repose sur l'idée que toutes les équipes ou unités fonctionnent de la même manière, ce qui n'est pas toujours vrai.

Faits Irrelevants dans le Raisonnement

Les faits irrélavents sont des morceaux d'infos qui ne soutiennent pas la conclusion qu'on essaie d'atteindre. Ils peuvent nous distraire et nous mener à des conclusions fausses.

Exemple de Faits Irrélevants

Imaginons qu'on discute de la possibilité que John devienne obèse. Si on dit, "John mange beaucoup de malbouffe," c'est pertinent. Mais si on ajoute que "John a un chat qui s'appelle Whiskers," ça n'aide pas du tout à comprendre les habitudes alimentaires de John.

L'Importance des Quantificateurs

Les quantificateurs nous aident à comprendre l’ampleur de la vérité d'une affirmation. Des quantificateurs communs incluent "tous," "certains," et "aucun." Ces mots peuvent changer le sens d'une déclaration de manière significative.

Exemple de Quantificateurs Incorrects

Si on dit, "Tous les chats sont amicaux," c'est une affirmation forte. D'un autre côté, dire "Certains chats sont amicaux" est beaucoup plus faible. Si quelqu'un croit la première déclaration et rencontre ensuite un chat pas amical, sa croyance est prouvée fausse.

Négation dans le Raisonnement

La négation, c'est quand on dit que quelque chose n'est pas vrai. Ça peut aussi changer le sens d'une déclaration et notre compréhension.

Exemple de Négation

Si on dit, "Whiskers est un chat," on a une déclaration claire. Mais si on dit, "Whiskers n'est pas un chat," ça change totalement le sens et la conclusion qu'on pourrait en tirer.

Raisonnement causal

Le raisonnement causal, c'est comprendre la cause et l'effet. Par exemple, si on dit que manger trop de malbouffe peut causer l'obésité, on établit une cause (manger de la malbouffe) et un effet (devenir obèse).

Raisonnement Causal Trompeur

Des fois, on pourrait dire, "Manger trop de nourriture saine cause l'obésité." C'est une prémisse incorrecte et ça peut mener à mal comprendre comment fonctionne le régime alimentaire.

Classification et son Importance

La classification, c'est regrouper des objets selon des caractéristiques communes. Ça nous aide à comprendre différentes catégories de manière structurée. Par exemple, on peut classer les fruits en pommes, bananes, oranges, et raisins.

Problèmes de Classification

Parfois, on fait face à des classifications fausses, comme dire, "Toutes les bananes ne sont pas des fruits." De telles affirmations sont trompeuses et incorrectes.

Modus Ponens et Modus Tollens

Ce sont deux méthodes utilisées dans le raisonnement logique.

Modus Ponens

Cette méthode dit que si une condition est vraie, et que cette condition est remplie, alors le résultat doit être vrai. Par exemple, s'il fait beau, alors il fait chaud. S'il fait beau aujourd'hui, alors il fait chaud.

Modus Tollens

À l'inverse, le modus tollens signifie que si le résultat n'est pas vrai, alors la condition ne doit pas l'être non plus. Par exemple, s'il ne fait pas chaud, alors il ne peut pas faire beau.

L'Impact des Prémisses Fausses dans le Modus Ponens

Si on part de prémisses fausses dans une déclaration de modus ponens, ça peut nous mener à des conclusions incorrectes. Par exemple, si on dit, "S'il neige, les routes sont humides," et qu'il ne neige pas, on doit reconsidérer la situation.

Raisonnement Temporel

Ce type de raisonnement s'intéresse à comprendre les aspects liés au temps. Par exemple, savoir qu'une fête commence à 20h nous permet de raisonner qu'on devrait partir à 19h pour arriver à l'heure.

Problèmes dans le Raisonnement Temporel

Si on croit par erreur qu'une fête commence à 19h au lieu de 20h, on pourrait partir trop tôt ou trop tard, montrant comment des erreurs de jugement sur le temps peuvent affecter nos plans.

Raisonnement Spatial et Localisation

Le raisonnement spatial implique de comprendre la disposition des objets par rapport les uns aux autres. Par exemple, dire que le musée est au nord-est de la bibliothèque nous aide à visualiser leurs emplacements.

Prémisses Fausses dans le Raisonnement Spatial

Si on dit à tort que la bibliothèque est au sud du parc, ça peut embrouiller notre compréhension de la localisation des endroits par rapport les uns aux autres.

Conclusion

Comprendre l'analogie et le raisonnement est vital pour avoir des processus de pensée clairs. En reconnaissant les prémisses fausses, les faits irrélavents, l'importance des quantificateurs, la négation, et les méthodes de raisonnement, on peut améliorer nos compétences de réflexion. Que ce soit dans la vie quotidienne ou dans des situations complexes, utiliser ces concepts peut nous aider à prendre de meilleures décisions et à mieux comprendre le monde qui nous entoure.

Source originale

Titre: Deductive Additivity for Planning of Natural Language Proofs

Résumé: Current natural language systems designed for multi-step claim validation typically operate in two phases: retrieve a set of relevant premise statements using heuristics (planning), then generate novel conclusions from those statements using a large language model (deduction). The planning step often requires expensive Transformer operations and does not scale to arbitrary numbers of premise statements. In this paper, we investigate whether an efficient planning heuristic is possible via embedding spaces compatible with deductive reasoning. Specifically, we evaluate whether embedding spaces exhibit a property we call deductive additivity: the sum of premise statement embeddings should be close to embeddings of conclusions based on those premises. We explore multiple sources of off-the-shelf dense embeddings in addition to fine-tuned embeddings from GPT3 and sparse embeddings from BM25. We study embedding models both intrinsically, evaluating whether the property of deductive additivity holds, and extrinsically, using them to assist planning in natural language proof generation. Lastly, we create a dataset, Single-Step Reasoning Contrast (SSRC), to further probe performance on various reasoning types. Our findings suggest that while standard embedding methods frequently embed conclusions near the sums of their premises, they fall short of being effective heuristics and lack the ability to model certain categories of reasoning.

Auteurs: Zayne Sprague, Kaj Bostrom, Swarat Chaudhuri, Greg Durrett

Dernière mise à jour: 2023-07-05 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2307.02472

Source PDF: https://arxiv.org/pdf/2307.02472

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires