Luc LEGAY | Working paper | 10 décembre 2003 | Paris-France | Document original : http://a-com.com/pdf/LEGAY_SETIT_2004.pdf

Projet de recherche RU3

Interfaces floues, interfaces collectives

Résumé — Pour inventer de nouvelles interfaces de communication capables de gérer les interactions d’intelligence des utilisateurs, nous tentons de mettre à profit des principes fondamentaux issus de connaissances établies mais parfois éloignées. La théorie de l’information, la logique floue, la pragmatique, la neurologie et la sémiotique.

Mots clé — Interfaces collectives, interfaces floues, intelligence collective, théorie de l’information, information floue, mémoire, pragmatique, sémiotique, sémantique, communication, lisibilité.

I. INTRODUCTION

Nous souhaitons définir ici un nouveau type d’interface d’échange d’information. Une interface d’échange d’intelligence entre l’individu et l’intelligence collective. L’intelligence collective issue d’un petit groupe de personnes ou d’une communauté constituée de milliers, voire de millions, de personnes. Mais aussi l’intelligence collective issue de connaissances accumulées, notamment sous forme numérique, et partagées à travers les réseaux de communication.

En référence à Pierre Lévy, qui a écrit à propos de l’intelligence collective : « Personne ne sait tout, tout le monde sait quelque chose », nous appellerons ces interfaces des interfaces collectives. Dans ce contexte, les interfaces floues sont une classe particulière d’interfaces collectives. L’objet de ce document est d’aborder ces nouveaux concepts.

Grâce aux systèmes de communication modernes, l’obstacle à la fluidité des échanges d’information semble levé. Pourtant, si l’échange de messages entre deux personnes paraît grandement facilité, ces échanges deviennent rapidement difficiles à gérer, dès lors qu’augmentent la complexité des contenus, le nombre de messages échangés et le nombre de personnes en relation.

L’accès à de grandes quantités d’information nécessite des interfaces capables d’organiser, de structurer et de hiérarchiser en informations élémentaires celles qui sont trop complexes, trop volumineuses, ou simplement trop nombreuses, pour être assimilables par une seule personne en un temps donné.

II. Schémas fondamentaux de communication

Dans nos systèmes de communication actuels, production d’information et accès à l’information sont deux ensembles distincts. Le schéma théorique des systèmes de communication a été établi par Claude Shannon en 1948 dans la théorie mathématique de l’information. On doit à Warren Weaver le schéma fondamental des systèmes de communication (figure 1, ci-dessous). L'information, telle qu'elle est décrite dans le cadre de la théorie, ne concerne pas la sémantique des messages transportés. L'information y est décrite en tant que fonction croissante de la réduction d’incertitude qu’elle apporte, ce qui en fait une théorie essentiellement statistique qui ne tient pas compte de la sémantique des messages transportés.

Figure 1 : Système de communication

Le succès de ce schéma fondamental doit beaucoup à sa simplicité et à son universalité. Il a ainsi contribué au développement de nouvelles approches, de façon parfois caricaturale, dans des domaines aussi variés que la biologie, la chimie, les mathématiques, la sociologie et la linguistique. Nous verrons toutefois que ce schéma n’est pas applicable à toutes les classes d’information. Nous proposerons de le simplifier encore pour le rendre opératoire dans le cadre des interfaces collectives.

A l’université de Stanford, des recherches sont menées depuis les années 90, notamment par Raymond Levitt, sur la modélisation des process dans le travail collaboratif. Ces recherches ont permis de définir plus nettement le concept d’information.

Dans une publication récente, Raymond Levitt et Mark Nissen (Levitt, Raymond E. & Nissen, Mark E., 2002) distinguent trois niveaux d’information. Les données (datas), les informations et les connaissances (knowledge).

Les données concernent des informations quantifiables telles que une longueur, un poids, un prix, un horaire, une statistique, etc. Les informations concernent des données choisies dans un contexte. Par exemple une quantité de matières premières pour une construction, un choix de coloris pour une décoration intérieure, etc. Les connaissances concernent quant à elles le support de l’action. La connaissance permet l’utilisation des informations qui conditionnent l’action. Par exemple, c’est la connaissance des données qui concerne les matières premières qui permet à l’architecte de déterminer le type de matériaux appropriés à son projet, et la quantité nécessaire à la construction d’un immeuble.

Si dix architectes sont interrogés dans le cadre d’un appel d’offre concernant un projet de construction d’immeuble, en considérant qu’ils ont accès aux mêmes données, par exemple un cahier des charges identique, on prévoit logiquement que ce seront dix propositions distinctes qui seront rendues.

Cela met en évidence la caractéristique essentielle de la face « connaissance » du concept général d’information. Les connaissances ne sont pas des informations déterministes. Elles sont fluctuantes, variables selon les contextes, la culture, l’environnement…

III. La logique floue appliquée à l’information.

À l’université de Berkley (CA) les travaux initiés par Lofti Zadeh depuis les années 70, ont permis une nouvelle approche du traitement des ensembles de données. Il s’agit de la logique floue et de la théorie des sous-ensembles flous.

De nombreuses applications ont vu le jour grâce à cette branche particulière des mathématiques. Les premières applications, réalisées dès la fin des années 80, ont permis d’optimiser les contrôles d’automatismes. Elles sont utilisées, par exemple, pour la gestion des rames de métro et pour les chaînes de robots industriels. Les assurances ont conçu des programmes de gestion du risque avec la logique floue. Aujourd’hui, l’Asie est le premier utilisateur de ce procédé. Camescope ou machine à laver, de nombreux produits électroniques grand public utilisent des systèmes dit « intelligents » basés sur la logique floue.

La logique floue permet de manipuler des ensembles de données que l’on souhaite définir selon des classes, ou des catégories, dont les propriétés relèvent de la linguistique. C’est le cas, par exemple, lorsque l’on tente de répartir un groupe de personnes en trois classes distinctes : les petits, les moyens et les grands. En logique classique, les variables utilisées sont des variables booléennes. C’est-à-dire qu’elle ne prennent qu’une seule des deux valeurs 0 ou 1, autrement dit, la valeur « vrai », ou la valeur « faux ». La répartition de données en trois ensembles conduit donc à décrire chaque personne comme appartenant (vrai) ou n’appartenant pas (faux) à un groupe. En logique floue, les variables sont floues. Elles peuvent prendre des valeurs intermédiaires entre 0 et 1. A l’intérieur du groupe des « petits », les plus grands peuvent être définis comme appartenant « un peu » au groupe des grands et « un peu » au groupe des petits. Ce degré d’appartenance est défini dans des proportions variables « floues ».

Nous proposons ici d’illustrer la logique floue par un exemple qui va conditionner l’information. Nous ouvrons une brèche vers une application de la logique floue à la théorie de l’information.

Dans une entreprise, la direction a décidé d’offrir à ses employés une formation de remise à niveau d’anglais. Avant de mettre en place des sessions adaptées, l’entreprise doit déterminer le niveau de pratique de chacun des employés.

Les tests visent à constituer trois groupes : un groupe de niveau débutant, un groupe de niveau moyen et un groupe de niveau fort. Suite à cette évaluation, on peut établir un graphe qui illustre la répartition des compétences en anglais des employés. (Figure 2, ci-dessous).

Figure 2 : Définition de groupes de niveau pour une formation

Raisonnons ici en termes d’information ; l’information qui sera donnée au groupe « débutants » sera différente de celle donnée au groupe « moyens », elle même différente de celle donnée au groupe « forts ». Nous sommes donc bien dans le cadre défini par Raymond Levitt et Mark Nissen : la connaissance de l’information appliquée à une classe de données conditionne l’action.

Dans notre exemple, la réponse donnée à la demande initiale : « mettre à niveau en anglais les employés de l’entreprise » aboutit à trois réponses différentes, trois cours adaptés, selon le niveau des groupes.

La réponse apportée par la logique floue est différente.

Que ce passe-t-il pour les employés dont le niveau est situé dans le haut du niveau débutant et dans le bas du niveau moyen ? En logique floue, ces employés forment un nouvel ensemble, appelé sous-ensemble flou, dont le centre de gravité est la frontière des niveaux débutants et moyens. Dans l’ensemble « formation des employés » qui est divisé en trois ensembles de niveaux, on distingue donc deux sous-ensembles flous. Le sous-ensemble faibles-moyens et le sous-ensemble moyens-forts. Dans ces sous-ensembles, chaque employé est qualifié par son rapport d’appartenance à deux groupes mitoyens. Par exemple, un débutant très proche du niveau moyen peut être décrit comme appartenant à 51 % au niveau débutant et à 49 % au niveau moyen. Un employé situé exactement à la frontière des deux groupes serait à 50/50 débutant-moyen. Seuls les employés réellement faibles, qui ne partagent aucune compétence avec les moyens, peuvent recevoir le label 100% débutant.

Du point de vue de la qualification des informations, on admet donc que la formation la plus adaptée est celle qui est la plus complémentaire aux connaissances déjà acquises.

Pourquoi les communautés d’utilisateurs sur Internet ont-elles du succès ? Parce qu’une communauté d’utilisateurs partage le même contexte d’utilisation. Elle partage les mêmes codes, et donc le même discours. En adhérant, par exemple, à une communauté d’utilisateurs Linux chacun trouve des réponses qu’un moteur de recherche ne peut apporter. Ce sont des réponses contextuelles.

Pour qu’une interface puisse produire des réponses justes, il est nécessaire d’ajuster le codage des réponses aux connaissances préexistantes des utilisateurs. Il s’agit d’une approche pragmatique.

IV. La pragmatique des communcations.

La pragmatique est l’étude des objets pertinent pour la compréhension du langage (Moeschler, J., & Reboul, A., 1994). Elle permet d’énoncer des règles permettant notamment la « désambiguisation », l’enrichissement et l’inférence du langage, en étudiant les discours dans leur contexte d’utilisation. La pragmatique à permis d’aller là où la linguistique ne pouvait pas aller. La pragmatique à permis de démontrer le principe fondamental suivant : il y a davantage d’information dans l’interprétation du discours que les énoncés qui le composent.

Grâce à la pragmatique on déduit naturellement que le contexte d’utilisation du langage est lui-même un langage. En d’autres termes, le contexte est (aussi) de l’information. Toute interface qui veut prétendre à permettre la manipulation d’informations d’échange de connaissances doit donc pouvoir traiter les informations contextuelles. Car il ne peut y avoir d’échange d’intelligence sans réévaluation continuelle des connaissances.

Les connaissances déjà acquises par un sujet font partie intégrante du contexte. Si l’on ajuste exactement une information de réponse afin qu’elle complète exactement une connaissance préexistante, une connaissance plus grande est acquise. Donc, pour être précisément adaptée, toute nouvelle information devra être réajustée en fonction du dernier niveau de connaissances.

Dans l’exemple de la formation à l’anglais, considérons qu’après avoir donné dix cours, le professeur tombe malade d’une extinction de voix. Un nouveau professeur se charge de poursuivre la formation. Ne pouvant obtenir d’information de la part de son prédécesseur, le nouveau professeur va devoir réévaluer le niveau de compétence des élèves. Sans quoi son cours serait probablement inadapté.

Cette illustration de la nécessité de réévaluation permanente du contexte d’utilisation des informations, montre bien les limites du cadre d’utilisation de la théorie de l’information. Et notamment du schéma fondamental de Weaver.

Pour répondre à la pragmatique de l’information, la relation informateur > informé doit être réévaluée. Cette scission entre émetteur et récepteur, qui répond bien au schéma initial de Shannon et Weaver, n’est plus utilisable dans le cadre de l’échange intelligent.

Pourquoi ce schéma a-t-il bien fonctionné jusqu'à présent notamment pour les canaux de diffusion de l’information ?

Parce que jusqu’ici les producteurs d’information bénéficient de privilèges particuliers. Notamment d’un privilège d’autorité, lié, par exemple, à une reconnaissance partagée au sein d’une communauté : un chercheur cautionné par ses pairs, un écrivain reconnu par la critique, un artiste de variétés soutenu par ses fans. Les producteurs d’information bénéficient aussi d’un privilège d’accès aux sources d’informations. C’est le cas des journalistes, des rédactions ou des agences de presse. Ils bénéficient enfin d’un privilège d’accès aux canaux de diffusion de l’information, lié essentiellement aux deux privilèges précédents.

Pourquoi l’autorité des producteurs d’information est remise en question ? Simplement parce que de plus en plus, chacun d’entre-nous peut accéder directement aux sources d’informations, et aux canaux de diffusion de l’information.

Aujourd’hui, une grande part du phénomène weblogs repose sur cette nouvelle redistribution de la notoriété qui est devenue le principal moteur du succès des communautés de bloggeurs.

Le schéma habituel de communication dissocie de façon formelle les producteurs d’information (émetteur) et les utilisateurs de l’information (récepteur). Les deux objets distincts sont situés de part et d’autre d’un canal de communication, qui peut être également un réservoir, une base de données. La transition vers un nouveau schéma pourrait placer du même coté des « producteurs-utilisateurs » d’information, face à un miroir de communication. Car c’est bien l’image d’une connaissance collective en constante mutation qu’il s’agit de renvoyer si l’on veut prétendre concevoir des interfaces porteuses d’intelligence.

Un autre phénomène lié aux usages d’Internet est significatif de la transition qui s’opère de l’ancien schéma au nouveau. C’est le phénomène slashdot. Lorsqu’un article de référence, produit sur un site d’information spécialisée ou généraliste, peut intéresser la communauté des utilisateurs du site slashdot, le lien est signalé en page d’accueil avec un commentaire. Le lien et son commentaire sont donnés par les participants doté d’un karma important, c’est-à-dire d’une cote élevée de notoriété. Les autres utilisateurs peuvent alors apporter leur commentaire à l’article cité. Ou répondre aux commentaires des autres participants. Les sites de ce type sont de véritables phénomènes de société. Un article « slashdoté », c’est-à-dire repris par une communauté de ce type, peut en effet trouver, en l’espace d’une journée, plusieurs milliers de lecteurs et jusqu'à un millier de commentaires.

De tels usages de l’information relèvent essentiellement de la pragmatique de l’information. Ce ne sont plus des utilisations normalisables d’un point de vue linguiste et sémantique.

Si l’on tente de rapprocher le fonctionnement des slashdot au schéma de communication de Shannon et Weaver on peut considérer que le signal initialement encodé et émis par la source, par exemple un article, parvient au récepteur avec une quantité plus importante d’information (les commentaires), mais aussi avec davantage de bruit. Ce bruit peut-être considéré comme la difficulté de décodage liée à l’importance de la masse des commentaires.

Les interfaces collectives que nous souhaitons définir ici doivent donc répondre à cette obligation d’améliorer le rapport signal/bruit des informations. Faute de quoi l’information n’est plus intelligible.

Pour apprécier les limites de l’intelligibilité des informations, il est utile d’aborder, même succinctement, comment s’opère le traitement de l’information dans le cerveau humain.

V. Le traitement de l’information dans la mémoire du cerveau humain.

Le modèle classique, celui de Atkinson et Schiffrin (1968), permet de distinguer trois types de mémoire. La mémoire sensorielle, la mémoire à court terme (MCT), appelée aussi mémoire de travail, et la mémoire à long terme (MLT). Ce qu’il est important de savoir est que toute information stockée dans la mémoire à long terme, a d’abord transité par la mémoire à court terme. La MCT peut traiter beaucoup d’informations mais au détriment d’une durée de conservation courte (quelques secondes). La MLT ne peut conserver qu’une faible partie des informations traités par la MCT, mais sur une durée plus importante. Plusieurs années pour des souvenirs marquants. La mesure de la MCT est donnée par la capacité d’empan. Par exemple lorsque nous lisons un texte, l’empan est notre capacité mnésique (ou mnémonique) à retenir les mots lus jusqu'au décodage du sens de la phrase. Cette capacité est en moyenne de 15 mots (Henry, G., 1975 ; Richaudeau, F., 1978).

Au-dessus de la mémoire à court terme, se situe la mémoire sensorielle. La mémoire iconique est la forme visuelle de la mémoire sensorielle. Sa capacité de stockage ne serait pas déterminée par une quantité maximale d’information, mais par le temps nécessaire au traitement de cette information (Thomson, R. et Spencer, W.A.,1966 et Thomson, R., 1984). L’information stockée en mémoire sensorielle ne persiste qu’entre 100 et 500 millisecondes. De même que la mémoire à long terme ne conserve qu’une faible partie de ce qui a été traité en mémoire à court terme, seule une très faible partie des informations sensorielles seront traitées ensuite par la mémoire à court terme. (figure 3, ci-dessous)

Figure 3 : La fonction filtrante de la mémoire sur le traitement de l’information

La compréhension du fonctionnement hiérarchique du cerveau est essentielle dans la conception des interfaces collectives.

Transmettre une grande quantité d’information au cerveau c’est solliciter la mémoire d’entrée des informations, la mémoire sensorielle, et c’est augmenter le temps de traitement avant l’envoi vers la mémoire de travail (MCT). La contre-partie d’une surexcitation sensorielle du cerveau est donc une sous-exploitation de la mémoire de travail. Et, par conséquent, par une plus faible quantité d’informations susceptibles d’être conservée en mémoire à long terme, considérée comme le siège des connaissances.

Concevoir des interfaces d’échange de connaissances c’est donc concevoir surtout un filtre capable de ne solliciter nos sens, principalement visuels et auditifs, qu’à bon escient. C’est-à-dire avec une quantité minimale d’information qui possède une valeur maximale pour l’utilisateur.

Pour un être humain, faire preuve d’intelligence c’est donc aussi avoir la faculté de ne pas tout retenir. Notre intelligence c’est surtout notre capacité de discernement. Apprendre l’essentiel c’est savoir oublier le superflu. Ce sont ces qualités, qui relèvent de la plasticité fonctionnelle du cerveau, que l’on doit retrouver dans les interfaces collectives.

Notre cerveau est-il capable d’utiliser les 520.000 pages que le moteur Google propose en réponse à la recherche des termes « theory » et « fuzzy » parmi les 3 milliards de pages référencées ? (figure 4, ci-dessous).

Figure 4 : Recherche d’information en logique booléenne et en logique floue

Imaginons comment fonctionnerait un moteur de recherche utilisant la logique floue. La limite établie par la logique classique entre les pages contenant (vrai) les termes et celles qui ne contiennent pas (faux) les termes, n’existe plus dans le moteur flou. Un sous-ensemble flou apparaît à la frontière des réponses catégoriques. La partie floue peut inclure des pages qui contiennent les termes de la recherche, mais peu d’informations en rapport avec le contexte (ici la théorie de la logique floue). Et, ce qui est plus intéressant, le sous-ensemble flou peut inclure également des pages qui ne contiennent pas les termes recherchés, mais qui, en revanche, partagent le même contexte.

Le traitement des réponses à travers la logique floue apporte ici un début de réponse au décloisonnement nécessaire dans le traitement et dans l’utilisation des informations liées aux connaissances. Cette démarche autorise une approche contextuelle des informations.

VI. De la sémiotique à l’interface collective

La plupart des supports que nous utilisons pour échanger des connaissances se présentent sous forme entière. Qu’il s’agisse d’une forme électronique, par exemple un e-mail, ou d’une forme imprimée, par exemple un bulletin d’information, les limites des documents permettent d’identifier le document comme une entité délimitée et porteuse d’information.

Charles S. Peirce traduit notre perception entière d’un objet porteur de sens dans le rapport objet, signe, interprétant (Savan, David. 1980). La triade sémiotique de Peirce illustre ce rapport (figure 5, ci-dessous).

Figure 5 : Peirce, la triade sémiotique

Les limites de l’objet porteur de sens correspondent à une réalité physique. S’il s’agit d’un fichier électronique, celui-ci possède une dimension finie, en nombre d’octets, et une adresse physique, sur un disque dur ou sur un réseau, qui permet son accès et son décodage. S’il s’agit d’un imprimé, l’information contenue dans le document est limitée par la surface du papier.

Modifier un document délimité nécessite de produire un nouveau document. Voici le véritable nœud gordien de notre société de l’information. Pour mettre à jour une information déjà diffusée, comme un e-mail, un bulletin municipal ou une documentation technique de centrale nucléaire, comment s’assurer que c’est bien la mise à jour de l’information qui sera prise en compte par les destinataires ? Pour l’utilisateur de l’information, comment être sûr qu’une information diffusée sur un support fermé, n’a pas été complété ou modifié depuis ?

Les caractéristiques biomimétiques d’une interface collective se précise. Le support de l’intelligence collective doit donc partager avec notre cerveau les propriétés suivantes :

Une interface sensorielle capable de réagir en permanence aux signes interprétables ;
Une capacité de traitement d’information à court terme capable de discernement ;
Un support de mémoire à long terme sur laquelle ne filtre que l’essentiel.

Notre interprétation de la logique floue, dans le cadre de la théorie de l’information et de la pragmatique, nous conduit également à préciser que l’interface doit prendre en charge le contexte d’utilisation des informations en ajustant son niveau de granularité d’analyse à l’exact niveau de perception et capacité sensorielle des utilisateurs. Une interface collective ne doit pas, comme un moteur de recherche classique, proposer les mêmes réponses quels que soient les interlocuteurs.

Considérons, en somme, que l’utilisateur-producteur (ou producteur-utilisateur) fait face à un miroir de communication qui lui renvoie une partie de son image augmentée par l’intelligence collective de la communauté.

Cette interprétation permet de simplifier encore le schéma de communication de Shannon et Weaver. [figure 6, ci-dessous].

Figure 6 : Réseaux ouverts : un miroir de communication

Émetteur et récepteur du schéma initial de la théorie de l’information (figure 1) sont remplacés par un seul élément : l’interface. Source de l’information et destinataire de l’information deviennent une seule entité, un être communiquant, ou encore, un producteur-utilisateur d’information. Face au miroir de communication, toute expression des connaissances d’un utilisateur devient potentiellement information pour la communauté. (figure 7, ci-dessous).

Figure 7 : La relation information-connaissance dans les réseaux ouverts
Références

Atkinson, R. C. (1972). Ingredients for a theory of instruction. American Psychologist, 27, 921-931.

Atkinson, R. C., Bower, G., & Crothers, E.J. (1965). An Introduction to Mathematical Learning Theory. New York: Wiley.

Atkinson, R. C. & Shiffrin, R.M. (1968). Human memory: A proposed system and its control processes. In K.W. Spence & J.T. Spence (Eds.), The Psychology of Learning and Motivation, Vol 2. New York: Academic Press.

Bloch, V. (1999). Cerveaux et machines, Hermès. Paris.

Henry, Georges (1975). Comment mesurer la lisibilité, Paris, Fernand Nathan, Editions Labor.

Jonassen, D. H. (1982 et 1985). The Technology of Text: Principals for Structuring, Designing and Displaying Text, Vol. 1 et 2. Englewood Cliffs, NJ: Educational Technology Publications.

Kandel, E., Schwartz, J. et Jessell, T., (2000). Principles of neural science, McGraw Hill (4e édition).

Kaufmann (1973). Introduction à la théorie des sous-ensembles flous (T1). Masson. Paris.

Lebrun, Nicole et Berthelot, Serge (1991). Lisibilité typographique et ordinateur, ronéotypé. Séminaire du groupe LEO, Département des Sciences de l'éducation, UQAM.

Levitt, Raymond E. & Nissen, Mark E. (2002). Toward Simulation Models of Knowledge-Intensive Work Processes. Stanford University.

Menezes Da Nobrega, G. (2002). Une approche dialectique à la formation des théories, aspects conceptuels, formels et pragmatiques dans le cadre de l’apprentissage humain. Thèse de doctorat, Université Montpellier II.

Michaud, Yves, (2002). Le cerveau, le langage, le sens, Université de tous les savoirs (vol. 5). Odile Jacob. Paris.

Moeschler, J., & Reboul, A., (1994). Dictionnaire encyclopédique de pragmatique, Seuil. Paris.

Moeschler, J., & Reboul, A., (1998). « Pragmatique », Vocabulaire des sciences cognitives, PUF. Paris.

Morley, Chantal, (1999). Gestion d’un projet système d’information, Dunod, InterEditions. Paris.

Morin, C., Sallio, P et Kretz, (1982). Nouvelle étude de lisibilité typographique, Communication et langages, numéro 54.

Préfontaine, Cl. et Lecavalier, J. (1990). La mesure de la lisibilité et de l'intelligibilité des textes, Communication présentée à l'Association pour le développement de la mesure et de l'évaluation en éducation (ADMEE). Montréal.

Racle, Gabriel, (1988). La lisibilité : quelques aperçus neuropsychologiques, Communication et langages, numéro 76.

Refregier, Ph., (1993). Théorie du signal : signal, information, fluctuations. Masson. Paris.

Restle, F. & Greeno, J. (1970). Introduction to Mathematical Psychology. Reading. MA: Addison-Wesley.

Richaudeau, François, (1978). Le texte le plus efficace que je connaisse, Communication et langages, numéro 37.

Rivaix, Yak, (1984). L'écriture verticale, Communication et langages, numéro 59.

Samier, H. et Sandoval, V (1999). La recherche intelligente sur l’internet et l’intranet, Hermès Sciences Publications. Paris.

Savan, David (1980). La sémiotique de C. S. Pierce, Revue Langages, numéro 58. Larousse, Paris.

Spataru, A. (1973). Théorie de la transmission d’information. Masson, Paris.

Thomson, R., Spencer, W.A. (1966). Habituation : a model phenomen for the study of neuronal substrates of behavior, Psychological Review, numéro 73.

Taylor, W. L. (1953). Cloze procedure : A new tool for measuring readibility, Journalism Quarterly, numéro 30.

Timbal-Duclaux, Louis, (1984). La transparence du texte : pour mesurer sa lisibilité, Communication et langages, numéro 59.

Tomsovic, K. & Baer, B. (2003). Fuzzy information approaches to equipment condition monitoring and diagnosis. School of Electrical and Computer Science. WA. USA

Document référencé dans le cadre du projet Ru3 http://ru3.org/ru3/projet