L’équipe ADRIA a proposé une approche originale pour la modélisation des relations de causalité perçues par des agents face à une série d’évènements, basée sur la confrontation des croyances de l’agent sur le cours normal des choses (représentées à l’aide d’une relation de conséquence non monotone) avec les événements qui se sont produits. Cette modélisation a été validé sur un plan psychologique, et comparée avec la modélisation probabiliste avec succès.
Une autre approche fait appel à l’idée que la vérification qu’un événement puisse être considéré comme une cause dans un scénario donné revient à un problème de mise à jour du scénario dans le cas où l’événement ne se serait pas produit.
- Jean-François Bonnefon, Rui Da Silva Neves, Didier Dubois, Henri Prade: Qualitative and quantitative conditions for the transitivity of perceived causation: – Theoretical and experimental results. Ann. Math. Artif. Intell. 64(2-3): 311-333, 2012.
- Didier Dubois, Henri Prade. A glance at causality theories for Artificial Intelligence. In : A Guided Tour of Artificial Intelligence Research. Vol. 1 Knowledge Representation, Reasoning and Learning, (P. Marquis, O. Papini, H. Prade, eds.), Springer 2019.