Thermomètres cognitifs : mesurer la complexité du sens grâce aux réseaux de neurones

Le preprint arXiv:2610.10724 (section cs.CL) soulève une question à la croisée de la linguistique, des sciences cognitives et du machine learning : pourquoi les langues naturelles préfèrent-elles systématiquement certaines significations à d'autres ? Les auteurs proposent de mesurer la complexité du sens par l'apprenabilité des modèles, qu'ils qualifient de « thermomètres cognitifs ». L'article ne présente ni nouveau benchmark ni chiffre record. C'est une revue des données accumulées et une prise de position méthodologique, mais celle-ci a des conséquences pratiques pour les chercheurs en IA.

Pourquoi la complexité logique s'est révélée un outil peu commode

La typologie sémantique étudie quelles significations se rencontrent dans les langues du monde et lesquelles n'apparaissent presque jamais. Les objets d'étude typiques sont les quantificateurs comme « tous », « certains » et « la plupart », ainsi que les mots désignant les couleurs, la parenté et la modalité. L'explication classique est la suivante : les significations fréquentes sont plus simples. On définit généralement la simplicité par la logique, c'est-à-dire que l'on regarde la longueur de la formule qui décrit la signification, ou la complexité de sa définition.

Cette approche a un point faible, que les auteurs nomment explicitement. L'évaluation de la complexité dépend fortement du choix du langage logique. Ajoutez un seul opérateur à l'ensemble des primitives, et une signification devient « plus courte » tandis qu'une autre devient « plus longue ». Les chercheurs prennent une partie de ces décisions sans justification indépendante. Il en résulte que la métrique peut être ajustée au résultat souhaité, même involontairement.

Ce que les auteurs proposent à la place

Les auteurs estiment que le machine learning offre un moyen plus agnostique de mesurer la même grandeur. L'idée consiste à entraîner un modèle à reconnaître une signification, puis à observer combien de données ou d'étapes il lui faut pour y parvenir. Plus une signification est difficile à apprendre, plus elle est « complexe ». Le choix d'un formalisme logique n'est plus nécessaire, même si d'autres hypothèses demeurent : l'architecture, les données, la procédure d'entraînement.

La revue en tire trois conclusions :

• La logique et le machine learning donnent souvent des estimations similaires de la complexité relative des significations.
• Ces estimations prédisent de la même manière quelles significations apparaissent le plus souvent dans les langues du monde.
• Là où les méthodes divergent, l'apprenabilité explique mieux les données typologiques que la complexité logique, selon les auteurs.

D'où la métaphore du thermomètre. Il n'explique pas pourquoi il fait chaud, mais fournit un chiffre reproductible, qui ne dépend pas des goûts de l'observateur. Dans ce rôle, le modèle est un instrument de mesure, et non un modèle de la pensée humaine.

Un pont entre symboles et connexionnisme

L'argument théorique central de l'article est que cette approche réunit la logique symbolique et l'IA connexionniste. Pendant des années, ces deux camps se sont opposés sur la manière de représenter la connaissance : par des règles ou par des poids distribués. Ici, on leur trouve une tâche commune. La logique formule des hypothèses sur la structure des significations, et l'apprentissage vérifie dans quelle mesure ces hypothèses concordent avec ce qui est réellement facile à assimiler.

Les réserves sont évidentes. L'apprenabilité d'un réseau de neurones dépend de l'architecture, des biais inductifs et de la distribution des données, de sorte que le « thermomètre » peut avoir sa propre erreur systématique. La ressemblance des résultats avec la typologie humaine ne prouve pas encore que l'humain apprend de la même façon. C'est une corrélation entre deux procédures de mesure, et non la preuve d'un mécanisme commun.

Où cela peut servir

Pour les praticiens et les chercheurs, la conclusion est plutôt terre à terre. Si vous étudiez ce que les modèles de langage apprennent et comment, la typologie sémantique fournit un jeu de tâches de test prêt à l'emploi, assorti de données humaines connues. Si vous travaillez sur l'interprétabilité, vous pouvez comparer la « complexité pour le modèle » à la « complexité pour l'humain » et chercher les écarts : ils révéleront où le modèle recourt à des stratégies étrangères, non humaines. Pour ceux qui construisent des systèmes neuro-symboliques, ce travail plaide en faveur de métriques hybrides, où la complexité formelle est vérifiée par l'apprenabilité empirique.

Pour l'instant, il s'agit plutôt d'un programme de recherche que d'un standard prêt à l'emploi. Sa valeur sera déterminée par des expériences reproductibles sur différentes architectures : si plusieurs modèles produisent un même « degré de complexité », on pourra considérer le thermomètre comme opérationnel.