Compréhension de textes et représentation des relations causales - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2003

Text comprehension and representation of causal relations

Compréhension de textes et représentation des relations causales

Résumé

This work is about the notion of causal distance in the mental representation of read text (hypothesis of situation model). I reviewed the literature (including philosophical one) so as to know how to define causality in reality. Such a definition seeming out of reach, I developed operational definitions of causal distance, both in reality and in the situation model.
I ran two experiments on more or less complete causal chains (that is, sequences of sentences in which each describes the consequence of the previous one) taken for vulgarization texts, in which I collected likeliness judgements on cause-consequence couples. It shows that mental causal distance (likeliness) increases as intermediate elements are dropped (approximation of real causal distance). There is no effect of the reading rank on likeliness. Also, likeliness grows with the familiarity of the participant with the theme of the sequence. Descriptors of time, space and protagonists are proposed, which allows a finer description of the relation between events described by two sentences, rather than the descriptors employed in Zwaan's multiple indexing model. Those descriptors were valued for all cause-consequence couples tested, and they are predictors (41% of explained variance) of likeliness judgements. Also, I identified some descriptors indicating typical causal relation, and these are not predictors. Finally, causality seems to be a dimension of the situation model, but it can be predicted by other situational dimensions like time, space, and protagonists. We suggest that these situational data can be the basis for a raw decision process for carrying out a causal inference, while reading a text.
Cette thèse porte sur la notion de distance causale dans la représentation mentale du texte lu (hypothèse du modèle de situation). J'ai d'abord étudié dans la littérature, notamment philosophique, comment on définissait la relation de causalité "dans les choses". Une telle définition semblant hors d'atteinte, j'ai élaboré des définitions opérationnelles de la distance causale, à la fois dans la réalité et dans le modèle de situation. J'ai conduit deux expériences sur des chaînes causales (i. e. des séquences de phrases dans lesquelles chacune décrit la conséquence de la précédente) partielles issues de textes de vulgarisation, recueillant des jugements de plausibilité sur les couples cause-conséquence présentés. Il s'avère que la distance causale mentale (plausibilité) est d'autant moindre que le nombre d'intermédiaires sautés (approximation de la distance causale réelle) est important. On ne trouve pas d'effet du rang de lecture dans la plausibilité jugée. Par ailleurs, la familiarité du participant avec le thème abordé augmente la plausibilité jugée. Il est présenté une série de descripteurs du temps, de l'espace, et des protagonistes, qui permet de qualifier la relation entre les événements décrits par deux phrases. Ces descripteurs sont prédicteurs (à 41 %) de la plausibilité. La causalité est donc une dimension à part entière du modèle de situation, mais elle peut être en grande partie ramenée aux autres dimensions de la situation, que sont le temps, l'espace, et les protagonistes. Nous suggérons que ces données situationnelles peuvent fournir la base d'une décision "fruste" pour entreprendre ou non une inférence causale lors de la lecture d'un texte.
Fichier principal
Vignette du fichier
2003_Guha.pdf (3.2 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00161089 , version 1 (09-07-2007)

Identifiants

  • HAL Id : tel-00161089 , version 1

Citer

Amal Guha. Compréhension de textes et représentation des relations causales. Linguistique. Université Paris Sud - Paris XI, 2003. Français. ⟨NNT : ⟩. ⟨tel-00161089⟩
435 Consultations
4633 Téléchargements

Partager

Gmail Facebook X LinkedIn More