Rappel et apprentissage : un solveur augmenté par la mémoire pour les problèmes mathématiques à mots

Dans cet article, nous abordons le problème de résolution de mots mathématiques, c’est-à-dire la réponse automatique à un problème mathématique à partir de sa description textuelle. Bien que les méthodes récentes aient démontré des résultats prometteurs, la plupart reposent sur un schéma de génération basé sur des modèles (templates), ce qui limite leur capacité de généralisation. À cette fin, nous proposons une nouvelle méthode d’apprentissage analogique inspirée de la cognition humaine, fonctionnant selon un mécanisme de rappel et d’apprentissage. Notre cadre proposé se compose de modules de mémoire, de représentation, d’analogie et de raisonnement, conçus pour générer une nouvelle solution en s’appuyant sur des exercices antérieurement appris. Plus précisément, étant donné un problème mathématique décrit textuellement, le modèle commence par récupérer des questions similaires via un module de mémoire, puis encode le problème non résolu ainsi que chaque question récupérée à l’aide d’un module de représentation. En outre, afin de résoudre le problème par analogie, nous introduisons un module d’analogie et un module de raisonnement intégrant un mécanisme de copie, permettant de modéliser les relations interne entre le problème et chaque question récupérée. Des expérimentations étendues menées sur deux jeux de données bien connus montrent l’efficacité supérieure de notre algorithme par rapport aux meilleurs méthodes actuelles, tant au niveau des comparaisons globales que des analyses au niveau microscopique.