École d'été | 2 juin 2026 : Coherence versus probability in models of reasoning par Paul Thagard

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : Thagard offre une synthèse claire et structurée de deux paradigmes majeurs en sciences cognitives, avec des exemples concrets et des références historiques. L’argumentation est solide : il présente les forces et faiblesses de chaque approche, sans parti pris excessif, et intègre des considérations computationnelles et éthiques. Il s’appuie sur des travaux de recherche (Kahneman, Tversky, Pearl, etc.) et sur ses propres modèles computationnels. La discussion sur l’IA est pertinente et nuancée, reconnaissant que les LLM sont principalement probabilistes, mais que la cohérence peut expliquer certains aspects du raisonnement humain.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : Thagard cite de nombreux auteurs et travaux (Pascal, Bayes, Ramsey, von Neumann, Pearl, Kahneman, etc.) et mentionne des études spécifiques. Cependant, il ne fournit pas de références bibliographiques détaillées dans la vidéo, et certaines affirmations (comme les statistiques sur les utilisateurs de GLP-1) ne sont pas sourcées. L’adéquation titre/contenu est parfaite : le titre annonce exactement le sujet traité. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

Le titre reflète exactement le contenu : comparaison entre cohérence et probabilité dans les modèles de raisonnement, avec une mise à jour sur l'IA.

8/10

Conférence académique par un chercheur reconnu, présentant une revue de littérature et des modèles computationnels, mais sans données expérimentales originales ni vérification indépendante des sources.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction : Thagard présente le thème de la conférence, la distinction entre probabilité et cohérence, et l'importance de l'IA.
• 03:00Exemples de raisonnement : diagnostic médical (rhume, COVID) et décision de traitement.
• 07:00Cas d'étude : les médicaments GLP-1 (Ozempic) et les questions descriptives/normatives.
• 10:00Historique de l'approche probabiliste : de Pascal à Pearl, en passant par Bayes et von Neumann.
• 15:00Application du théorème de Bayes au cas GLP-1 : difficulté d'obtenir les probabilités.
• 20:00Six problèmes de l'approche probabiliste : manque de données, biais cognitifs, intractabilité computationnelle, etc.
• 25:00Introduction de la cohérence : exemple de l'image vieille femme/jeune femme, définition comme satisfaction de contraintes.
• 30:00Historique de la cohérence : de Hegel aux psychologues de la Gestalt, jusqu'à la formalisation computationnelle.
• 35:00Application de la cohérence au raisonnement explicatif et délibératif, avec l'exemple des GLP-1.
• 40:00Défense de la cohérence : tractabilité computationnelle, lien avec les réseaux neuronaux, et comparaison avec la probabilité.
• 45:00Discussion sur l'IA : les grands modèles de langage sont-ils probabilistes ou cohérents ? Thagard admet que l'IA est principalement probabiliste.
• 50:00Conclusions : implications pour le raisonnement humain et l'IA, et perspectives futures.

• Thagard, P. (2021). Bots and Beasts: What Makes Machines, Animals, and People Smart? — Livre de Thagard comparant l'IA et l'intelligence humaine, mentionné dans la vidéo.
• Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk — Théorie des perspectives, alternative à l'utilité espérée, mentionnée comme critique de l'approche probabiliste.
• Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems — Ouvrage fondateur sur les réseaux bayésiens, mentionné comme influence majeure en IA.
• Thagard, P. (1989). Explanatory Coherence — Article fondateur sur la cohérence explicative, mentionné comme base du modèle computationnel.

• Thagard, P. (2000). Coherence in Thought and Action — Ouvrage de Thagard développant la théorie de la cohérence, en accord avec la présentation.
• Holyoak, K. J., & Thagard, P. (1995). Mental Leaps: Analogy in Creative Thought — Travail sur l'analogie, lié à la cohérence, mentionné comme inspiration.

• Tenenbaum, J. B., Griffiths, T. L., & Kemp, C. (2006). Theory-based Bayesian models of inductive learning and reasoning — Ces auteurs défendent l'approche bayésienne comme modèle du raisonnement humain, ce qui contraste avec la critique de Thagard.