Examen de la production du sens dans l’IA : un cadre MANHAJ

Cet article développe un cadre computationnel fondé sur la Méthodologie de modélisation intellectuelle (MANHAJ) pour examiner la production du sens dans l’intelligence artificielle.

Il porte sur la distinction méthodologique entre l’examen a priori et l’examen a posteriori, la validité des transitions productrices de sens, la distinction entre variation de la sortie et changement de sens, ainsi que la détection de la clôture dérivationnelle à travers la Loi MANHAJ de la dérivation de la constante cognitive.

L’article s’inscrit dans le programme de recherche plus large de MANHAJ et ne constitue pas une exposition complète de la méthodologie. D’autres dimensions théoriques, mathématiques et appliquées de MANHAJ sont traitées ou seront traitées dans des articles de recherche distincts.

Cet article développe une dimension de recherche spécifique de la méthodologie présentée dans :

Le présent article constitue une étude scientifique indépendante et ne doit pas être considéré comme un remplacement du document de référence.

Les systèmes d’intelligence artificielle sont de plus en plus capables de générer, de transformer et d’étendre des productions porteuses de sens. Pourtant, l’évaluation de ces systèmes reste généralement centrée sur les propriétés de leurs sorties, tandis que les conditions méthodologiques dans lesquelles le sens est produit, développé puis cesse éventuellement de générer un nouveau sens dérivationnel restent moins explicitement représentées comme un processus computationnel.

Cet article développe un cadre fondé sur MANHAJ pour traiter ce problème en reliant l’examen a priori et l’examen a posteriori au suivi de la production du sens. Dans le cadre de MANHAJ, la direction a priori examine la référence, le domaine conceptuel, les définitions, les conditions et l’admissibilité du parcours envisagé avant le début du traitement détaillé. La direction a posteriori opère au sein du champ établi et produit du sens à travers un mouvement cognitif et dérivationnel continu. L’article relie en outre ce mouvement à la Loi MANHAJ de la dérivation de la constante cognitive, exprimée par dC/dx = 0, qui représente l’état dans lequel la dérivation atteint une constante fermée et ne produit plus de nouveau sens dérivationnel au sein du système et de la variable spécifiés.

À partir de ces principes, l’article propose une architecture computationnelle dans laquelle l’examen a priori précède le traitement a posteriori, tandis que les états du sens sont suivis tout au long du processus dérivationnel. Le cadre proposé distingue les changements de sortie des changements de sens et introduit la possibilité de détecter une transition entre la poursuite de la production du sens et un état de clôture dérivationnelle. Un modèle formel, une structure algorithmique et un dispositif expérimental sont proposés afin d’opérationnaliser ces relations et d’en évaluer la faisabilité computationnelle.

L’article explore ainsi le passage d’une évaluation portant uniquement sur ce qu’un système d’IA produit à un examen des conditions méthodologiques de la production, de l’évolution du sens au cours du traitement et du point à partir duquel la poursuite de la production de sorties peut ne plus correspondre à la production d’un nouveau sens dérivationnel.

1. 1. Introduction
2. 2. De l’examen a priori à la production du sens
3. 3. Validité méthodologique de la production du sens
4. 4. Sens dérivationnel et constante cognitive
5. 5. Modèle computationnel du suivi de la production du sens
6. 6. Architecture computationnelle
7. 7. Modèle formel
8. 8. Algorithme et pseudo-code
9. 9. Conception expérimentale
10. 10. Évaluation
11. 11. Discussion
12. 12. Statut épistémique et limites
13. 13. Conclusion
14. 14. Note sur le développement et l’usage commercial
15. 15. Références

Les systèmes d’intelligence artificielle fonctionnent de plus en plus à travers des processus dans lesquels une entrée est transformée en représentations, inférences et sorties de complexité croissante. Dans les systèmes génératifs en particulier, le résultat visible du traitement peut être examiné à travers des propriétés telles que la pertinence, la cohérence, l’exactitude factuelle ou la performance dans l’exécution d’une tâche. Une telle évaluation est importante, mais elle laisse ouverte une question méthodologique plus fondamentale :

Comment examiner la validité du processus par lequel le sens est produit, plutôt que les seules propriétés de la sortie qui en résulte ?

Cette question devient particulièrement importante lorsqu’un système d’IA continue à générer des sorties de plus en plus différentes. Une modification de la formulation, de la structure ou du contenu de surface n’implique pas nécessairement la production d’un nouveau sens. Inversement, une modification relativement faible de la représentation peut correspondre à un changement substantiel du sens représenté. La distinction entre variation de la sortie et variation du sens devient donc pertinente pour toute tentative de suivi computationnel de la production du sens.

La Méthodologie de modélisation intellectuelle (MANHAJ) fournit un cadre méthodologique dans lequel ce problème peut être formulé. Son architecture distingue une direction a priori et une direction a posteriori de l’examen, tandis que sa théorie du sens traite le sens comme une matière du mouvement conceptuel et cognitif. Dans ce même cadre, la Loi de la justesse (Loi 3) établit la priorité de l’examen de l’admissibilité avant le passage aux détails, selon le principe que ce qui n’est pas admissible ne peut produire des détails valides. La méthodologie formule également la Loi de la dérivation de la constante cognitive (Loi 7), selon laquelle un processus dérivationnel peut atteindre une constante fermée dont le sens n’est plus produit par dérivation au sein du système et de la variable spécifiés.

Ces éléments fournissent la base d’une autre manière d’aborder le raisonnement de l’IA. Plutôt que de représenter simplement un processus d’IA comme :

2.1 La direction a priori

La direction a priori établit les conditions dans lesquelles un processus producteur de sens doit être initié. Au lieu de commencer directement par le traitement détaillé, elle détermine d’abord la référence à partir de laquelle le processus doit être compris, le domaine conceptuel dans lequel le sens visé est situé, les définitions qui régissent les concepts concernés et les conditions qui déterminent l’admissibilité de l’opération envisagée.

En termes computationnels, cette direction peut être représentée comme un examen structuré de :

2.2 La direction a posteriori

Une fois les conditions du processus établies, la direction a posteriori opère au sein du champ défini.

Le processus peut être représenté comme une succession d’états du sens :

2.3 La relation entre les deux directions

Les directions a priori et a posteriori forment ainsi deux étapes liées d’un même processus méthodologique.

La première établit le champ et ses conditions d’admissibilité :

3.1 Des conditions valides à une production valide du sens

L’établissement d’un champ de départ admissible ne suffit pas, à lui seul, à achever l’évaluation méthodologique du processus. La production ultérieure du sens doit également être examinée en relation avec les conditions dans lesquelles elle se déroule.

C’est ici que la Loi MANHAJ de la justesse (Loi 3) devient pertinente. La loi établit la priorité de la question de l’admissibilité avant l’examen des détails :

3.2 État du sens et changement du sens

Si la production du sens est représentée comme une séquence d’états,

3.3 Production du sens versus production de sorties

La distinction peut être formulée plus explicitement. Un système d’IA peut continuer à générer des sorties différentes :

3.4 Validité du parcours dérivationnel

La distinction entre variation de la sortie et variation du sens conduit à une exigence méthodologique plus large. Un processus producteur de sens ne peut pas être évalué uniquement en observant si ses sorties restent différentes. Le parcours par lequel les sens successifs sont produits doit lui-même rester soumis à l’examen.

Dans le cadre de MANHAJ, cette question est liée à la relation entre la référence établie, le champ conceptuel et le mouvement dérivationnel ultérieur. La validité d’un résultat particulier dépend donc non seulement du résultat lui-même, mais également du parcours par lequel il a été dérivé.

4.1 La dérivation comme mouvement producteur de sens

Dans MANHAJ, la dérivation est comprise comme un mouvement allant d’une origine établie vers de nouveaux détails, relations et sens. Ce traitement est fondé sur la Loi MANHAJ de la totalité duale du mouvement mental : connaissance et pensée (Loi 5), qui distingue le mouvement dérivationnel de la connaissance du mouvement intégratif de la pensée tout en reconnaissant leur relation au sein du mouvement global de la production mentale.

Dans ce cadre, la dérivation n’est pas seulement une opération mathématique formelle. Elle représente un mouvement à travers lequel des étapes successives peuvent produire davantage de sens au sein d’un champ établi. Tant que le processus dérivationnel continue à produire un nouveau sens, les états successifs restent distinguables à travers leurs transitions.

4.2 La constante cognitive comme état de clôture dérivationnelle

La Loi de la dérivation de la constante cognitive peut par conséquent être représentée comme suit :

4.3 Poursuite de la production de sorties après la clôture dérivationnelle

Cette distinction conduit à l’un des problèmes computationnels centraux abordés par l’article.

Supposons qu’un système d’IA atteigne un état C pour lequel :

4.4 De la constante cognitive au suivi du sens

L’analyse précédente permet de relier les composantes a priori et a posteriori de l’architecture proposée à la Loi de la dérivation de la constante cognitive.

La séquence complète peut maintenant être représentée comme suit :

5.1 De la relation méthodologique au modèle computationnel

Le modèle computationnel développé ici opérationnalise le traitement du sens déjà établi dans la Théorie du sens de MANHAJ. Dans ce cadre, le sens est compris à travers son mouvement, ses relations et ses changements plutôt que comme un état final isolé. La présente étude traduit ce traitement méthodologique établi en une représentation computationnelle adaptée au suivi des processus d’IA.

En conséquence, le sens peut être représenté comme une séquence d’états :

5.2 L’état a priori

Avant que la première transition productrice de sens n’ait lieu, le système établit un état méthodologique initial :

A₀ = (R, D, Def, C, O)

5.3 Suivi des transitions de l’état du sens

À chaque étape du traitement, le système compare l’état actuel du sens avec l’état nouvellement généré.

L’opération fondamentale de suivi est :

Cas 1 — Nouveau sens dérivationnel

Le nouvel état contient un changement du sens significatif sur le plan dérivationnel par rapport à l’état précédent.

Cas 2 — Aucun nouveau sens dérivationnel

Aucun nouveau sens dérivationnel n’est détecté entre les deux états suivis.

Cas 3 — Invalidité méthodologique

La transition peut différer de l’état précédent tout en violant une ou plusieurs conditions établies par l’étape a priori.

Dans cette situation, la question n’est pas seulement de savoir si :

5.4 Changement valide du sens

La distinction précédente suggère qu’un dispositif computationnel de suivi du sens ne devrait pas utiliser un test binaire unique.

Une transition peut plutôt être représentée comme suit :

5.5 Détection d’un état de clôture dérivationnelle

Le processus de suivi doit distinguer une absence temporaire de changement détectable d’un véritable état de clôture dérivationnelle.

Ce dernier correspond à la condition représentée dans MANHAJ par :

6.1 Vue d’ensemble de l’architecture

L’architecture computationnelle traduit la séquence méthodologique établie dans les sections précédentes en une succession d’étapes computationnelles distinctes. Son objectif n’est pas simplement de générer une sortie, mais de maintenir une représentation des conditions dans lesquelles le sens est produit, des transitions à travers lesquelles ce sens se développe et du point auquel le sens dérivationnel peut atteindre une clôture.

L’architecture se compose donc de cinq étapes principales :

6.2 Couche d’examen a priori

La première couche établit les conditions méthodologiques dans lesquelles la production ultérieure du sens est autorisée à opérer.

La représentation computationnelle introduite à la section 5 est :

6.3 Couche de représentation de l’état du sens

La deuxième couche opérationnalise le traitement du sens établi dans la Théorie du sens de MANHAJ. Dans MANHAJ, le sens est traité à travers son mouvement, son développement temporel, ses relations et ses changements plutôt que comme un artefact textuel final isolé. La présente étude traduit ce traitement en une représentation computationnelle dans laquelle le sens est suivi comme une séquence d’états successifs.

Le système maintient donc :

6.4 Couche de suivi des transitions du sens

La troisième couche suit les transitions entre les états successifs du sens.

La transition de base est représentée comme suit :

6.5 Couche de séparation sortie–sens

Une exigence architecturale centrale est la séparation entre production de sorties et production du sens.

Le système peut continuer à générer des sorties :

6.6 Couche de détection de la clôture dérivationnelle

La dernière couche examine si le processus dérivationnel a atteint un état fermé.

Selon la Loi MANHAJ de la dérivation de la constante cognitive (Loi 7), la constante cognitive est représentée par :

6.7 Flux de contrôle architectural

L’architecture complète peut donc être résumée comme suit :

Référence ↓ Examen a priori ↓ Établissement de M₀ ↓ Production a posteriori du sens ↓ Mₜ → Mₜ₊₁ ↓ Calcul de ΔMₜ ↓ Vérification de la validité méthodologique Vₜ ↓ Nouveau sens valide ? → Oui → Poursuivre la dérivation → Non → Analyse de la clôture ↓ Clôture dérivationnelle ? → Non → Poursuivre le suivi → Oui → Constante cognitive C

7.1 Définition du modèle

L’architecture computationnelle définie à la section 6 est ici formalisée comme un modèle de transition entre états dans lequel la production du sens est représentée comme une séquence d’états du sens soumis à des conditions méthodologiques et suivis afin de déterminer la poursuite ou la clôture du sens dérivationnel.

Le modèle distingue quatre composantes fondamentales :

7.2 L’état a priori

L’état méthodologique a priori est défini comme suit :

A₀ = (R, D, Def, Cₐ, O)

7.3 État initial du sens

Lorsque l’état a priori est admissible, il établit l’état initial du sens :

7.4 Transition de l’état du sens

À chaque étape ultérieure, l’état du sens est transformé selon :

7.5 Changement du sens et changement de sortie

Le modèle formel sépare explicitement le changement du sens du changement de sortie.

7.6 Validité méthodologique d’une transition

Pour chaque transition, le modèle attribue une valeur de validité :

7.7 Clôture dérivationnelle

Le modèle définit la clôture dérivationnelle comme un état dans lequel l’application continue de l’opération dérivationnelle pertinente ne produit plus de nouveau sens dérivationnel au sein du système spécifié.

L’expression formelle de la constante cognitive dans MANHAJ est :

7.8 Persistance temporelle de la clôture

Puisqu’un seul état inchangé ne constitue pas nécessairement une constante cognitive, la clôture doit être évaluée à partir de l’historique du processus dérivationnel.

Soit la séquence suivie :

7.9 Séquence formelle complète

Le modèle complet peut maintenant être exprimé comme suit :

A₀ = (R, D, Def, Cₐ, O) ↓ Valid(A₀) ↓ M₀ ↓ Mₜ₊₁ = F(Mₜ, Xₜ) ↓ ΔMₜ = Mₜ₊₁ − Mₜ ↓ Vₜ = Valid(Mₜ, Mₜ₊₁ | A₀) ↓ ΔMₜ ≠ 0 ? → Oui → Poursuivre la production du sens → Non → Analyse de la clôture ↓ Clôture dérivationnelle persistante ? → Non → Poursuivre le suivi → Oui → Mₜ = C ↓ dC/dx = 0

8.1 Objectif algorithmique

Le modèle formel défini à la section 7 peut être traduit en un algorithme qui suit un processus producteur de sens depuis ses conditions méthodologiques initiales jusqu’à l’atteinte éventuelle d’un état de clôture dérivationnelle.

L’algorithme remplit quatre fonctions principales :

8.2 Entrées de l’algorithme

L’algorithme reçoit les principales entrées suivantes :

R — référence ;

8.3 Algorithme central

À chaque étape, l’algorithme :

8.4 Pseudo-code

Algorithme MANHAJ_Meaning_Monitoring

Entrée :

8.5 Évaluation de la transition

Le point de décision central de l’algorithme est l’évaluation de la transition :

8.6 Procédure de détection de la clôture

Le détecteur de clôture est séparé de l’évaluateur ordinaire des transitions parce que :

8.7 Interprétation algorithmique

L’algorithme opérationnalise la séquence méthodologique développée tout au long de l’article :

9.1 Objectif expérimental

L’étape expérimentale évalue si le cadre computationnel fondé sur MANHAJ proposé peut distinguer la production de sorties, le changement du sens, le changement du sens méthodologiquement valide et la clôture dérivationnelle.

L’expérience est donc conçue autour de la transition :

9.2 Unité expérimentale

L’unité expérimentale de base est une séquence productrice de sens générée à partir d’une référence et d’un champ conceptuel établis.

Chaque séquence commence par un état a priori :

9.3 Conditions expérimentales

L’expérience devrait inclure plusieurs classes de tâches productrices de sens afin de tester le cadre dans différentes conditions de transition.

Condition A — Développement valide du sens

Le système reçoit de nouvelles informations ou relations qui devraient produire une extension ou une transformation valide du champ de sens établi.

Résultat attendu :

Condition B — Reformulation de surface

Il est demandé au système de reformuler, paraphraser, développer ou faire varier d’une autre manière un sens déjà établi sans introduire une nouvelle relation dérivationnelle.

Résultat attendu :

Condition C — Dérivation méthodologiquement invalide

Le système reçoit une transition qui produit un changement de sortie ou de sens, mais qui viole la référence, le domaine conceptuel, les définitions, les conditions ou les opérations admissibles établis dans A₀.

Résultat attendu :

Condition D — Clôture dérivationnelle

Le système continue à fonctionner dans les mêmes conditions dérivationnelles pertinentes après que la production de nouveau sens a cessé.

Résultat attendu :

9.4 Procédure expérimentale

Chaque séquence expérimentale suit la même procédure générale.

Étape 1 — Établir l’état a priori

La référence, le domaine conceptuel, les définitions, les conditions méthodologiques et les opérations admissibles sont établis :

A₀ = (R, D, Def, Cₐ, O)

Étape 2 — Établir M₀

L’état initial du sens est établi à partir du champ méthodologique validé :

Étape 3 — Générer les états successifs

À chaque itération :

Étape 4 — Mesurer le changement du sens

La transition est évaluée :

Étape 5 — Évaluer la validité méthodologique

La transition est évaluée par rapport au champ méthodologique établi :

Étape 6 — Classer la transition

Chaque transition est affectée à l’une des quatre catégories établies dans le modèle formel :

nouveau sens dérivationnel valide ;

Étape 7 — Évaluer la clôture

Lorsque :

9.5 Structure des données expérimentales

Chaque étape expérimentale devrait générer un enregistrement structuré :

L’ensemble de données qui en résulte permet d’analyser l’évolution du sens indépendamment de l’évolution de la sortie textuelle.

9.6 Cibles de l’évaluation

L’expérience évalue quatre capacités principales de l’architecture proposée.

1. Détection du changement du sens

Le système peut-il distinguer :

2. Détection de la validité méthodologique

Lorsque le sens change, le système peut-il déterminer si :

3. Discrimination sortie–sens

Le système peut-il identifier correctement les cas où :

4. Détection de la clôture dérivationnelle

Le système peut-il distinguer une absence temporaire de changement d’un état persistant correspondant à :

9.7 Comparaison expérimentale

Le système fondé sur MANHAJ devrait être évalué par rapport à une référence qui évalue les réponses de l’IA principalement au moyen de critères portant sur les sorties.

La comparaison ne porte donc pas simplement sur deux modèles d’IA, mais sur deux approches de l’évaluation :

9.8 Mesures d’évaluation

L’évaluation expérimentale devrait rapporter au moins quatre catégories de mesures :

Exactitude des transitions du sens

Proportion des transitions correctement classées comme porteuses ou non porteuses de sens.

Exactitude de la validité méthodologique

Proportion des transitions correctement classées comme valides ou invalides par rapport aux conditions méthodologiques établies.

Exactitude de la discrimination sortie–sens

Capacité à identifier correctement les cas où la sortie change sans changement correspondant du sens.

Exactitude de la détection de la clôture

Capacité à identifier correctement une clôture dérivationnelle confirmée tout en évitant de classer prématurément une absence temporaire de changement comme une clôture.

Lorsque des annotations humaines ou expertes sont disponibles, ces classifications peuvent être comparées aux annotations de référence afin de calculer des mesures de classification standard telles que la précision, le rappel et le score F1.

9.9 Hypothèses expérimentales

L’expérience peut être formulée autour des hypothèses suivantes.

H1. Une représentation de l’état du sens peut distinguer les transitions porteuses de sens de la variation de surface des sorties.

10.1 Cadre d’évaluation

L’évaluation est conduite conformément aux règles méthodologiques et formelles établies dans les sections précédentes. L’objectif n’est pas d’évaluer les sorties de l’IA uniquement selon leur qualité linguistique ou leur variation de surface, mais de déterminer le statut de chaque transition au sein du processus producteur de sens.

L’évaluation examine donc chaque transition selon quatre questions principales :

10.2 État de référence de l’évaluation

Toutes les mesures sont effectuées par rapport à l’état initial établi.

L’état initial est représenté comme suit :

10.3 Évaluation du changement du sens

Pour chaque transition :

10.4 Évaluation de la validité méthodologique

Un changement du sens détecté est évalué par rapport à l’état méthodologique initial :

10.5 Évaluation de la divergence sortie–sens

L’évaluation enregistre séparément la variation de la sortie :

10.6 Évaluation de la clôture dérivationnelle

Lorsque :

10.7 Scénario d’évaluation I : professeur d’université

Le principal scénario expérimental concerne un professeur d’université opérant au sein d’un domaine de spécialisation établi.

L’état initial comprend :

10.8 Scénario d’évaluation II : la famille comme sous-cas

Le concept de famille fournit un sous-cas complémentaire pour tester l’étape fondamentale du modèle.

L’expérience établit une configuration de référence initiale dans laquelle le champ conceptuel de la famille est défini selon la référence, le domaine, les définitions et les conditions sélectionnés.

10.9 Évaluation comparative

Les deux scénarios testent des parties complémentaires du cadre.

Le scénario du professeur d’université constitue donc le test principal de la production dynamique du sens et de la clôture dérivationnelle, tandis que le scénario de la famille fournit un test plus explicite de la référence fondamentale et de la validité méthodologique.

10.10 Résultat de l’évaluation

L’évaluation finale classe chaque processus observé selon les états suivants :

11.1 De l’évaluation des sorties à l’évaluation du processus du sens

Le cadre proposé fait passer l’évaluation des systèmes d’intelligence artificielle d’une focalisation exclusive sur la sortie finale à l’examen du processus par lequel le sens est produit et transformé.

Une évaluation conventionnelle centrée sur la sortie peut déterminer si une réponse est correcte, pertinente, cohérente ou utile. Une telle évaluation demeure importante, mais elle ne distingue pas à elle seule les différents états fondamentaux du processus producteur de sens sous-jacent.

11.2 Le rôle de la direction a priori

Le modèle expérimental confirme l’importance d’établir le champ méthodologique avant d’évaluer la production ultérieure du sens.

Selon la Loi MANHAJ de la dualité de la direction de l’examen (Loi 2), les directions a priori et a posteriori remplissent des fonctions différentes.

11.3 Validité méthodologique et poursuite de la production du sens

L’application de la Loi MANHAJ de la justesse (Loi 3) introduit une distinction importante entre la capacité à produire des détails et la validité de ces détails.

Le système computationnel peut continuer à dériver des conséquences à partir d’un état initial même après que cet état a échoué aux conditions méthodologiques établies au début du processus.

11.4 Changement du sens versus changement de sortie

L’une des conséquences centrales du modèle proposé est la séparation entre variation de la sortie et variation du sens.

Le cadre expérimental permet d’observer l’état suivant :

11.5 Dérivation, connaissance et pensée

La distinction entre mouvement dérivationnel et mouvement intégratif est fondée sur la Loi MANHAJ de la totalité duale du mouvement mental : connaissance et pensée (Loi 5).

Dans le présent modèle computationnel, la séquence dérivationnelle :

11.6 La constante cognitive et la poursuite de la production de sorties

La Loi MANHAJ de la dérivation de la constante cognitive (Loi 7) fournit la base formelle pour interpréter l’étape finale du processus suivi.

Lorsque la dérivation atteint une constante cognitive :

11.7 Complémentarité des deux scénarios expérimentaux

Les deux scénarios expérimentaux remplissent des fonctions méthodologiques différentes.

Le scénario de la famille fournit un environnement relativement clair pour examiner la configuration de référence initiale, la Loi MANHAJ de l’origine coordonnée (Loi 4) et la validité méthodologique.

11.8 Implications pour l’intelligence artificielle

Le cadre proposé suggère que l’évaluation de l’IA peut être étendue au-delà de la question :

« La sortie est-elle bonne ? »

11.9 Relation avec le cadre MANHAJ

Les résultats discutés ici ne constituent pas une construction computationnelle isolée. Ils représentent une extension opérationnelle de concepts déjà établis dans MANHAJ.

Le modèle computationnel s’appuie en particulier sur :

11.10 Résultat central

Le résultat méthodologique central peut être formulé comme suit :

Un système peut continuer à produire des sorties après que la production d’un nouveau sens dérivationnel a cessé.

12.1 Statut épistémique du modèle

Le présent article développe une opérationnalisation computationnelle de certains composants de la Méthodologie de modélisation intellectuelle (MANHAJ) pour l’analyse de la production du sens dans l’intelligence artificielle.

Le modèle est fondé sur les structures méthodologiques établies par MANHAJ, notamment sa Théorie du sens, sa distinction entre examen a priori et a posteriori, sa Loi de la justesse, sa Loi de la totalité duale du mouvement mental : connaissance et pensée, et sa Loi de la dérivation de la constante cognitive.

12.2 Mesure de l’état du sens

Le modèle définit formellement les transitions du sens :

12.3 Dépendance à la référence

L’évaluation de l’état du sens dépend nécessairement de la configuration de référence établie au début du processus.

Le modèle évalue donc le sens par rapport à :

12.4 Portée de la clôture dérivationnelle

La constante cognitive n’est pas interprétée comme la cessation absolue de toute pensée ou de toute connaissance possible.

La condition :

12.5 Poursuite de la production de sorties et interprétation épistémique

Le modèle permet à un système de continuer à produire des sorties après que le sens dérivationnel a atteint un état fermé.

Cependant, la poursuite de la production de sorties ne suffit pas, à elle seule, à établir que ces sorties constituent un langage dépourvu de sens, une erreur ou une stérilité épistémique.

12.6 Généralisation expérimentale

Les scénarios expérimentaux proposés fournissent des cas contrôlés pour tester le cadre, mais ils n’établissent pas à eux seuls des conclusions universelles sur tous les systèmes d’intelligence artificielle.

Le scénario du professeur d’université fournit un modèle pour examiner une production soutenue de connaissance et une éventuelle clôture dérivationnelle.

12.7 Portée de la présente contribution

Le présent article établit le pont conceptuel et computationnel entre MANHAJ et l’analyse de la production du sens dans l’intelligence artificielle.

Sa contribution peut donc être résumée par l’établissement de la séquence suivante :

Cet article a développé un cadre computationnel fondé sur MANHAJ pour examiner la production du sens dans l’intelligence artificielle comme un processus méthodologique et dynamique plutôt que comme une simple génération de sorties.

Le cadre commence par un examen a priori qui établit la référence, le domaine conceptuel, les définitions, les conditions et les opérations admissibles du processus producteur de sens. Il passe ensuite à un processus a posteriori dans lequel le sens se développe à travers des états successifs :

Chaque transition est évaluée selon deux questions distinctes : le sens a-t-il changé et le changement reste-t-il méthodologiquement valide au sein du champ établi ?

Cette distinction permet de séparer :

MANHAJ est une méthodologie originale dont les droits de propriété intellectuelle et la paternité restent dévolus à son auteur.

Toute utilisation, intégration, adaptation, exploitation, commercialisation ou mise en œuvre commerciale de MANHAJ nécessite l’autorisation écrite préalable de l’auteur au moyen d’une licence commerciale payante.

Aucune licence commerciale gratuite n’est accordée. Toute autorisation d’exploiter commercialement MANHAJ est nécessairement soumise au paiement de redevances de licence et aux conditions contractuelles établies par l’auteur.

Les conditions de la licence commerciale, notamment son champ, sa durée, son domaine d’utilisation, les droits accordés, les conditions financières, les exigences d’attribution et les dispositions relatives à la propriété intellectuelle, sont définies dans un contrat conclu avec l’auteur.

La publication du présent article scientifique ne constitue en aucune circonstance une licence commerciale et n’accorde aucun droit d’exploiter commercialement MANHAJ.

Référence principale de MANHAJ

1. Messeoud, Faouzi. Intellectual Modeling Methodology (MANHAJ) — Reference Document — Version 1.0. Zenodo, 15 septembre 2026. DOI : 10.5281/zenodo.22769627.

Travaux et publications antérieurs de l’auteur

1. Messeoud, Faouzi. Le lien immatériel des Tunisiens avec la France. Première édition. Dar El Alaoui, 2023. ISBN 978-9938-9684-5-3.
2. Messeoud, Faouzi. La centralité doctrinale et le champ conceptuel. Dar Wachma (Tunisie), 2024. ISBN 978-9938-9740-6-5.
3. Messeoud, Faouzi. Plus de 1 000 articles et publications intellectuelles développés et publiés à travers MyPortail.com (بوابتي).