Liens croisés crossLink et attaques AIF du CSV canonique Argumentum
Notebook pédagogique : exploration du CSV canonique Argumentum (dédoublonné en sophismes canoniques), complémentaire à Argumentation-Onto-01-AIF-OWL2-Python.ipynb (PR-A, OWL2/XML).
⚠️ Mise à jour 2026-07-10 (Argumentum PR #763) — l’intégration ontologique des Fallacies a été complétée en amont. Les 8 relations crossLink_* et les colonnes AIF attack (AIF_attackType/AIF_attackedNode), jusque-là présentes uniquement dans le CSV, sont désormais émises dans l’OWL (comme AnnotationAssertion). La couverture crossLink est passée de 1,5 % (22 relations) à 59,9 % (1081 cellules / 844 sophismes) après curation transverse (#141) + câblage du générateur (#763). Ce notebook reflète l’état après #763.
Analyser les AIF mappings (AIF_skosDirectRef + AIF_skosExceptionRef + AIF_skosMappingType) : 70 mappages vers 60 schemes Walton, plus les 2 colonnes AIF attack (93 sophismes typés RA/I/CA-node).
Caractériser la couverture des crossLink : un tiers de couverture (59,9 %) (après #141/#763).
Faire le pont entre substance OWL (PR-A) et substance CSV (PR-B), et montrer que #763 a réconcilié les deux.
Sommaire :
Contexte (PR-A → PR-B, mise à jour #763)
Loader CSV (pandas + utf-8-sig)
Vue d’ensemble (1408 sophismes, 104 colonnes)
Taxonomie : 8 familles × 9 niveaux
Couverture multilingue (8 langues)
AIF mappings : 70 mappages vers 60 schemes Walton
CrossLink coverage : couverture 59,9 % de la taxonomie
Pont OWL ↔︎ CSV : #763 a câblé crossLink + AIF dans l’OWL
Pont avec Walton : 60 schemes uniques
Honnêteté méthodologique
Exercices (3 stubs #2161)
Conclusion + Ponts
Verdict SOTA : SOTA-OK (pandas + matplotlib natifs, pas de workaround dégradé).
1. Contexte — De PR-A à PR-B (mis à jour après #763)
Argumentation-Onto-01-AIF-OWL2-Python.ipynb (PR-A) charge ontologies/argumentum_fallacies.owl (OWL2/XML) via un parseur regex tolérant (rdflib échoue sur le dialecte OWL/XML ; owlready2 charge mais n’expose rien via son API Python).
Évolution majeure (Argumentum PR #763, mergée 2026-07-10) : au moment de la première version de PR-A, l’OWL n’émettait qu’une des trois couches ontologiques du CSV (les mappings AIF_skos*). Les 8 relations crossLink_* et les colonnes AIF_attackType/AIF_attackedNode étaient dans le CSV mais absentes de l’OWL — le chemin de données CSV→OWL n’existait pas encore. #763 a :
ajouté le mapping des 10 colonnes dans l’entité Fallacy + le générateur OWL (2ᵉ passe d’émission) ;
régénéré l’OWL, qui porte désormais 1977 AnnotationAssertion crossLink + 93 typages AIF attack (undercut/undermine/rebut → RA/I/CA-node).
PR-B lit Cards/Fallacies/Argumentum Fallacies - Taxonomy.csv (le CSV canonique, source curée à la main, 1408 sophismes × 104 colonnes) et expose la taxonomie, la couverture 8 langues, les AIF mappings et la couche crossLink — désormais réconciliée avec l’OWL (§8).
Troisième âge (05/09, #1247/#1286) : dé-curation délibérée de la couche crossLink — retrait des liens siblings qui restataient l’arbre taxonomique : la matrice passe de 1081 à 539, couverture 59,9 % → 34,6 %. Lecture détaillée en §7.
2. Loader CSV — pandas + utf-8-sig
Le CSV upstream Argumentum Fallacies - Taxonomy.csv est encodé en UTF-8 avec BOM (3 octets \xEF\xBB\xBF en tête), signature Microsoft Excel. Pandas exige encoding='utf-8-sig' pour ignorer ce BOM.
Le séparateur est la virgule ,. Le quoting est géré par pandas par défaut. 102 colonnes au total.
# --- Datation de l'execution : etat exact du submodule Argumentum (audit #18656) ---import hashlibimport subprocessfrom pathlib import Pathdef find_repo_root(start: Path) -> Path:# papermill/nbconvert demarrent depuis le dossier du notebook ; le CSV canonique vit# dans le submodule, plus haut dans le repo. On remonte jusqu'a la racine du depot.for parent in [start, *start.parents]:if (parent /'MyIA.AI.Notebooks').is_dir() and (parent /'.git').exists():return parentraiseFileNotFoundError(f'Repo root not found from {start}')REPO_ROOT = find_repo_root(Path.cwd())SUBMODULE_DIR = REPO_ROOT /'MyIA.AI.Notebooks'/'SymbolicAI'/'Argument_Analysis'/'Argumentum'CSV_CANON = SUBMODULE_DIR /'Cards'/'Fallacies'/'Argumentum Fallacies - Taxonomy.csv'def _git(*args: str) ->str:return subprocess.run(['git', '-C', str(SUBMODULE_DIR), *args], capture_output=True, text=True).stdout.strip()SUB_SHA = _git('rev-parse', 'HEAD')[:12] or'submodule non initialise'print(f'Submodule Argumentum : {SUB_SHA} ({_git("log", "-1", "--format=%cs") or"?"})')if CSV_CANON.exists(): _raw = CSV_CANON.read_bytes()print(f'CSV canonique : sha1 {hashlib.sha1(_raw).hexdigest()[:12]}, 'f'{_raw.decode("utf-8-sig").count(chr(10))} lignes physiques, {len(_raw):,} octets')else:print('CSV canonique : submodule non initialise -- les donnees ne seront pas trouvables')
Le CSV compte 1408 sophismes canoniques — certaines cellules contiennent des retours-ligne encadrés par des guillemets, le nombre de lignes physiques du fichier diffère donc du nombre de sophismes. Chaque sophisme a :
PK (clé primaire numérique) + path (chemin hiérarchique type 6.3.1.1.1.2.1.3)
Famille (8 valeurs canoniques) + Sous-Famille + Soussousfamille
Les 104 colonnes = 102 historiques + les 2 colonnes AIF attack (ajoutées par #753).
import matplotlib.pyplot as pltfig, axes = plt.subplots(1, 2, figsize=(15, 5))# Distribution par famillefam = df['Famille_camelCase'].value_counts()axes[0].barh(fam.index, fam.values, color='steelblue', edgecolor='navy')axes[0].set_xlabel('Nombre de sophismes')axes[0].set_title('Distribution par famille (8 familles canoniques)')axes[0].invert_yaxis()for i, (k, v) inenumerate(fam.items()): axes[0].text(v +5, i, str(v), va='center', fontsize=9)# Distribution par niveauniv = df['niveau'].value_counts().sort_index()axes[1].bar(niv.index.astype(str), niv.values, color='coral', edgecolor='darkred')axes[1].set_xlabel('Niveau de difficulté')axes[1].set_ylabel('Nombre de sophismes')axes[1].set_title('Distribution par niveau (1-9)')for i, (k, v) inenumerate(niv.items()): axes[1].text(i, v +2, str(v), ha='center', fontsize=9)plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_famille_niveau.png'), dpi=100, bbox_inches='tight')plt.show()print(f'Total familles distinctes: {df["Famille_camelCase"].nunique()}')print(f'Total niveaux distincts: {df["niveau"].nunique()}')print(f'Famille la plus fréquente: {fam.index[0]} ({fam.values[0]} sophismes)')
Total familles distinctes: 8
Total niveaux distincts: 9
Famille la plus fréquente: influence (420 sophismes)
4. Taxonomie — 8 familles × 9 niveaux
Les 8 familles canoniques Argumentum :
Famille
Compte
Description
influence
420
Sophismes d’influence (appel à l’autorité, popularité, etc.)
tricherie
392
Sophismes de tricherie (intention de tromper)
insuffisance
174
Arguments qui ne suffisent pas à démontrer
obstruction
126
Sophismes d’obstruction (évitement de la question)
erreurMathématique
102
Erreurs de calcul/statistique
erreurDeRaisonnement
102
Erreurs de logique
abusDeLangage
89
Abus de langage (équivoque, amphibologie)
argumentFallacieux
1
Racine (Fallacy) — entrée technique
Distribution déséquilibrée : influence (30%) + tricherie (28%) = 58% du total. Cela reflète la tradition rhétorique (les sophismes d’influence et de tricherie sont les plus enseignés).
Niveaux 1-9 : distribution quasi-uniforme (12-25 sophismes par niveau), avec un pic au niveau 3 (25). Pas de gradient de difficulté strict ; c’est une taxonomie pédagogique (introduire tôt les sophismes les plus simples, late les plus subtils).
Argumentum est un projet multilingue par conception : chaque sophisme est décrit en 8 langues. La cohérence inter-langues est maintenue à la main par l’équipe Argumentum.
langs = ['fr', 'en', 'ru', 'pt', 'ar', 'es', 'zh', 'fa']fig, ax = plt.subplots(figsize=(10, 5))lang_counts = {}for lang in langs: col =f'text_{lang}'if col in df.columns: lang_counts[lang] = df[col].notna().sum()ax.bar(lang_counts.keys(), lang_counts.values(), color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728','#9467bd', '#8c564b', '#e377c2', '#7f7f7f'])ax.set_ylabel('Nombre de sophismes avec texte')ax.set_xlabel('Langue')ax.set_title(f'Couverture text_<lang> : {len(df)} sophismes × 8 langues = {len(df) *8} descriptions')for i, (k, v) inenumerate(lang_counts.items()): coverage =100* v /len(df) ax.text(i, v +5, f'{coverage:.0f}%', ha='center', fontsize=10, fontweight='bold')ax.set_ylim(0, len(df) *1.05)plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_multilingue.png'), dpi=100, bbox_inches='tight')plt.show()print(f'Couverture multilingue : 100% sur les 8 langues (toutes descriptions présentes)')print(f'Total descriptions = {len(df)} × 8 = {len(df) *8}')
Couverture multilingue : 100% sur les 8 langues (toutes descriptions présentes)
Total descriptions = 1408 × 8 = 11264
6. AIF mappings — 70 mappages vers 60 schemes Walton
Argumentum encode un pont vers Walton Argumentation Schemes via 4 colonnes :
AIF_skosExceptionRef (50 non-empty) : schemes Walton qui sont des exceptions / cas particuliers (ex: PopularOpinion_Inference, Example_Inference)
AIF_skosOther (0 non-empty) : réservé pour usage futur
AIF_skosMappingType (70 non-empty) : type de mapping SKOS (skos:broadMatch, skos:closeMatch, skos:narrowMatch)
Note AIF = Argument Interchange Format (cf Rahwan et al. 2007), un standard de représentation de graphes argumentatifs. Argumentum fait le pont vers ce formalisme via les SKOS mapping properties.
import refrom collections import Counteraif_dr = df['AIF_skosDirectRef'].dropna().str.strip()aif_dr = aif_dr[aif_dr !='']aif_ex = df['AIF_skosExceptionRef'].dropna().str.strip()aif_ex = aif_ex[aif_ex !='']aif_mt = df['AIF_skosMappingType'].dropna().str.strip()aif_mt = aif_mt[aif_mt !='']print(f'AIF_skosDirectRef non-empty: {len(aif_dr)} ({(100*len(aif_dr)/len(df)):.1f}%)')print(f'AIF_skosExceptionRef non-empty: {len(aif_ex)} ({(100*len(aif_ex)/len(df)):.1f}%)')print(f'AIF_skosMappingType non-empty: {len(aif_mt)} ({(100*len(aif_mt)/len(df)):.1f}%)')print()print('--- AIF_skosMappingType distribution ---')mt_dist = aif_mt.value_counts()for k, v in mt_dist.items():print(f' {k}: {v} ({100*v/len(aif_mt):.1f}%)')print()# Collect all Walton schemes referenced (split by comma)walton = Counter()for col in [aif_dr, aif_ex]:for v in col:for s in v.split(','): s = s.strip()if s: walton[s] +=1print(f'--- Walton schemes uniques référencés: {len(walton)} ---')print()print('Top 15 schemes Walton (par occurrences):')for k, v in walton.most_common(15):print(f' {v:>3}{k}')
7. CrossLink coverage — un tiers de la taxonomie (34,6 %)
Après curation transverse (#141) + câblage du générateur (#763), les 8 colonnes crossLink_* couvrent 34,6 % des sophismes :
Relation
Cellules non-vides
% des 1408
crossLink_PredatesOn
31
2,2 %
crossLink_Denounces
9
0,6 %
crossLink_Leverages
295
21,0 %
crossLink_Allows
56
4,0 %
crossLink_Opposes
23
1,6 %
crossLink_Inverts
41
2,9 %
crossLink_Mirrors
2
0,1 %
crossLink_IsRelatedTo
82
5,8 %
TOTAL cellules
539
densité 4,8 % (539 / 11 264)
Couverture par sophisme
487 / 1408
34,6 %
Interprétation : la version historique de ce notebook mesurait 22 relations (1,5 %) — la taxonomie était alors un arbre quasi-pur. La curation #141 (candidats 0-fabrication, transverse, confiance ≥ 0,6, 22 seeds manuels préservés) a ajouté 1059 nouvelles entrées de matrice, portant la couverture à 59,9 %. Les relations dominantes à l’épingle datée sont Leverages (295), IsRelatedTo (82) et Allows (56). #763 avait ensuite rendu cette couche émettable dans l’OWL (1 977 AnnotationAssertion à l’époque) ; à l’épingle datée en tête, l’OWL du submodule ne porte plus aucune AnnotationAssertion crossLink (voir §8).
Lignée de la couche crossLink : 10/07 — 1081 entrées (couverture 59,9 %) → 05/09 — 539 (34,6 %) : dé-curation délibérée #1247/#1286, retrait des crossLinks siblings qui restataient l’arbre taxonomique (Mirrors 304→2, IsRelatedTo 286→82), pendant que des re-curations ciblées ajoutaient (PredatesOn 13→31, Denounces 2→9). La matrice mesure désormais des liens transverses de curation manuelle, pas un artefact de symétrie.
import numpy as npcrosslink_cols = [c for c in df.columns if c.startswith('crossLink_')]cl_matrix = np.zeros((8, len(df)), dtype=int)for i, col inenumerate(crosslink_cols): cl_matrix[i] = df[col].notna() & (df[col].astype(str).str.strip() !='')cov_nodes =int((cl_matrix.sum(axis=0) >0).sum())cov_pct =100* cov_nodes /len(df)fig, ax = plt.subplots(figsize=(15, 4))im = ax.imshow(cl_matrix, aspect='auto', cmap='YlOrRd', interpolation='nearest')ax.set_yticks(range(8))ax.set_yticklabels([c.replace('crossLink_', '') for c in crosslink_cols], fontsize=10)ax.set_xlabel('Sophisme index (1408 au total)')ax.set_title(f'CrossLink matrix (8 relations × {len(df)} sophismes) — couverture {cov_pct:.1f}% par sophisme (submodule {SUB_SHA[:7]})')plt.colorbar(im, ax=ax, label='Présence (1) / absence (0)')plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_matrix.png'), dpi=100, bbox_inches='tight')plt.show()print('--- CrossLink density par relation ---')for i, col inenumerate(crosslink_cols): rel = col.replace('crossLink_', '') density = cl_matrix[i].sum() pct =100* density /len(df)print(f' {rel:20s}: {density:>4} / {len(df)} ({pct:.2f}%)')total = cl_matrix.sum()total_cells =8*len(df)print()print(f'TOTAL cellules: {total} / {total_cells} = {100*total/total_cells:.2f}% de densité')print(f'Couverture par sophisme: {cov_nodes} / {len(df)} = {cov_pct:.1f}%')
8. Pont OWL ↔︎ CSV — #763 a câblé crossLink + AIF dans l’OWL
Historiquement, PR-A (OWL) et PR-B (CSV) exposaient des substances disjointes : l’OWL ne portait ni les crossLink, ni les colonnes AIF attack. #763 a réconcilié les deux en régénérant l’OWL depuis le CSV avec les 3 couches câblées :
Note structurelle : #763 a aussi changé l’idiome du générateur — les concepts sont désormais des owl:Class (et non des owl:NamedIndividual), et toutes les relations passent par AnnotationAssertion (l’ObjectPropertyAssertion a disparu, SKOSHelper d’OWLSharp étant cassé sur cette version). Le notebook AIF (PR-A) a été re-fondé en conséquence (traversée annotation-space). Le gap historique « OWL 10 976 vs CSV 1408 » venait de l’ancien générateur qui matérialisait chaque label multilingue comme un NamedIndividual distinct ; le nouveau générateur modélise 1 owl:Class par sophisme avec ses labels en annotations.
À l’épingle datée en tête : AIF attack 93 → 145 (87 undercut / 53 undermine / 5 rebut) et AIF SKOS 70 → 116 (64 broadMatch / 33 closeMatch / 19 narrowMatch) — les deux couches AIF ont continué de croître, côté CSV comme côté OWL (vérifié en §8). La couche crossLink, elle, n’est plus émise dans l’OWL à cette épingle (0 AnnotationAssertion, contre 1 977 à l’époque de #763) : elle ne vit plus que dans le CSV.
import matplotlib.pyplot as plt# Substance mesuree sur l'etat date en tete : les valeurs CSV sont recalculees depuis df,# les comptes OWL sont relus dans l'argumentum.owl du submodule (meme epingle que le CSV) :# le pont CSV <-> OWL se VERIFIE desormais, il ne se declare plus.def _nonempty(col): s = df[col].dropna().astype(str).str.strip()return s[s !='']cl_total =int(cl_matrix.sum())cov_nodes2 =int((cl_matrix.sum(axis=0) >0).sum())aif_attack =len(_nonempty('AIF_attackType'))aif_skos =len(_nonempty('AIF_skosMappingType'))atk_split = _nonempty('AIF_attackType').value_counts().to_dict()skos_split = _nonempty('AIF_skosMappingType').value_counts().to_dict()import collectionsimport xml.etree.ElementTree as ET_owl_root = ET.parse(SUBMODULE_DIR /'docs'/'ontology'/'argumentum.owl').getroot()_owl_props = collections.Counter( aa.find('AnnotationProperty').get('IRI') for aa in _owl_root.iter('AnnotationAssertion'))owl_cross_aa =sum(v for k, v in _owl_props.items() if'crosslink'in k.lower())owl_attack_aa =sum(v for k, v in _owl_props.items() if k.endswith('aifAttackType'))owl_skos_aa =sum(v for k, v in _owl_props.items() if'Match'in k)fig, ax = plt.subplots(figsize=(11, 5))labels = ['CSV sophismes', 'CrossLink cells\n(CSV)', 'AIF attack\n(CSV & OWL)', 'AIF SKOS\n(CSV & OWL)']values = [len(df), cl_total, aif_attack, aif_skos]colors = ['#ff7f0e', '#d62728', '#9467bd', '#1f77b4']bars = ax.bar(labels, values, color=colors, edgecolor='black')ax.set_ylabel('Count')ax.set_yscale('log')ax.set_title(f'Substance CSV vs OWL, mesuree sur le submodule {SUB_SHA[:7]} (date en tete)')for bar, v inzip(bars, values): ax.text(bar.get_x() + bar.get_width()/2., bar.get_height() *1.1,f'{v:,}', ha='center', va='bottom', fontsize=11, fontweight='bold')plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_owl_vs_csv.png'), dpi=100, bbox_inches='tight')plt.show()print(f'--- Substance CSV <-> OWL (mesuree, submodule {SUB_SHA[:7]}) ---')print(f' CSV sophismes canoniques : {len(df):,}')print(f' CrossLink cellules (CSV) : {cl_total:,} ({cov_nodes2} sophismes = {100*cov_nodes2/len(df):.1f} %)')print(f' AIF attack (CSV) : {aif_attack:,}{atk_split}')print(f' AIF attack (OWL, aifAttackType AA) : {owl_attack_aa:,}')print(f' AIF SKOS Walton (CSV) : {aif_skos:,}{skos_split}')print(f' AIF SKOS Walton (OWL, *Match AA) : {owl_skos_aa:,}')print(f' CrossLink AA (OWL) : {owl_cross_aa:,} (non emise a cette epingle ; 1 977 a l epoque de #763)')print(' -> CSV et OWL concordent sur les deux couches AIF ; la couche crossLink ne vit plus que dans le CSV.')
--- Substance CSV <-> OWL (mesuree, submodule 7cf4861) ---
CSV sophismes canoniques : 1,408
CrossLink cellules (CSV) : 539 (487 sophismes = 34.6 %)
AIF attack (CSV) : 145 {'undercut': 87, 'undermine': 53, 'rebut': 5}
AIF attack (OWL, aifAttackType AA) : 145
AIF SKOS Walton (CSV) : 116 {'skos:broadMatch': 64, 'skos:closeMatch': 33, 'skos:narrowMatch': 19}
AIF SKOS Walton (OWL, *Match AA) : 116
CrossLink AA (OWL) : 0 (non emise a cette epingle ; 1 977 a l epoque de #763)
-> CSV et OWL concordent sur les deux couches AIF ; la couche crossLink ne vit plus que dans le CSV.
9. Pont avec Walton — 60 schemes uniques
Les 60 schemes Walton référencés par Argumentum couvrent un spectre large de l’argumentation :
60 schemes ≈ la totalité de l’écosystème Walton Argumentation Schemes (cf Walton, Reed & Macagno 2008). Argumentum est donc un portage exhaustif de Walton en français + 7 autres langues.
from collections import Counterimport matplotlib.pyplot as pltwalton_all = Counter()for col_name in ['AIF_skosDirectRef', 'AIF_skosExceptionRef']: col = df[col_name].dropna().astype(str).str.strip() col = col[col !='']for v in col:for s in v.split(','): s = s.strip()if s: walton_all[s] +=1fig, ax = plt.subplots(figsize=(10, 7))top20 = walton_all.most_common(20)schemes = [k for k, v in top20]counts = [v for k, v in top20]ax.barh(schemes, counts, color='teal', edgecolor='darkslategray')ax.set_xlabel('Occurrences dans Argumentum')ax.set_title(f'Top 20 schemes Walton référencés (sur {len(walton_all)} uniques)')ax.invert_yaxis()for i, v inenumerate(counts): ax.text(v +0.1, i, str(v), va='center', fontsize=9)plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_walton_top20.png'), dpi=100, bbox_inches='tight')plt.show()print(f'--- Walton schemes analysis ---')print(f'Total schemes uniques référencés: {len(walton_all)}')print(f'Top scheme: {top20[0][0]} ({top20[0][1]} occurrences)')print(f'Familles Walton présentes:')fam_walton = Counter()for s in walton_all:if'_Inference'in s: fam_walton['Inference'] +=1if'_Conflict'in s: fam_walton['Conflict'] +=1if'_Scheme'in s: fam_walton['Scheme'] +=1for k, v in fam_walton.most_common():print(f' {k}: {v}')
AIF SKOS mapping partiel (8 %) : sur 1408 sophismes, 116 ont un mapping SKOS vers Walton (AIF_skosDirectRef + AIF_skosExceptionRef + AIF_skosMappingType). 92 % n’ont pas de pont SKOS explicite — la taxonomie Argumentum (1408 nœuds) est bien plus fine que les ~60 schemes Walton. Complément #498 : 145 sophismes portent en plus une articulation AIF attack (AIF_attackType/AIF_attackedNode), reliant le sophisme à un nœud RA/I/CA au sens ASPIC+.
CrossLink coverage 34,6 % : après curation #141 + câblage #763 (59,9 %), la dé-curation #1247/#1286 a ramené la couche à 539 entrées transverses couvrant 487 sophismes. La version historique de ce notebook mesurait 22 relations (1,5 %) ; le graphe transverse est désormais substantiel (Leverages/IsRelatedTo dominants). Les 22 seeds manuels d’origine sont préservés (curation additive, 0 fabrication : toute cible ∈ taxonomie).
Couverture multilingue : 100 % sur les 8 langues pour text_<lang> (vérifié cellule par cellule). Les desc_<lang>/example_<lang> peuvent être plus lacunaires.
Ontologies sœurs présentes : argumentum_fallacies.owletargumentum_virtues.owl sont désormais dans le repo (ontologies/). La note historique « argumentum_virtues.owl absent du repo » est obsolète.
import matplotlib.pyplot as pltfig, ax = plt.subplots(figsize=(10, 5))aspects = ['AIF\nMapping', 'CrossLink', 'État\nvalidé', 'Image\nprésente', 'Latin\nnamed']aif_count = df['AIF_skosMappingType'].notna().sum()cl_count =sum(df[c].notna().sum() for c in crosslink_cols)etat_count = df['état'].notna().sum()image_count = df['image'].notna().sum() if'image'in df.columns else0latin_count = df['Latin'].notna().sum()counts = [aif_count, cl_count, etat_count, image_count, latin_count]pct = [100* c /len(df) for c in counts]colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']bars = ax.bar(aspects, pct, color=colors, edgecolor='black')ax.set_ylabel('Coverage (%)')ax.set_ylim(0, 110)ax.set_title(f'Coverage analysis ({len(df)} sophismes total)')ax.axhline(y=50, color='gray', linestyle='--', alpha=0.5, label='50%')ax.legend()for bar, c, p inzip(bars, counts, pct): ax.text(bar.get_x() + bar.get_width()/2., p +2,f'{c}\n({p:.1f}%)', ha='center', fontsize=10, fontweight='bold')plt.tight_layout()plt.savefig(str(SAVE_DIR /'crosslinks_coverage.png'), dpi=100, bbox_inches='tight')plt.show()print(f'--- Coverage analysis ---')print(f' AIF mappings: {aif_count:>4} / {len(df)} ({100*aif_count/len(df):.1f}%)')print(f' CrossLink: {cl_count:>4} (somme des 8 cols, soit {100*cl_count/(8*len(df)):.2f}% de densité)')print(f' État validé: {etat_count:>4} / {len(df)} ({100*etat_count/len(df):.1f}%)')print(f' Image: {image_count:>4} / {len(df)} ({100*image_count/len(df):.1f}%)')print(f' Latin named: {latin_count:>4} / {len(df)} ({100*latin_count/len(df):.1f}%)')
--- Coverage analysis ---
AIF mappings: 116 / 1408 (8.2%)
CrossLink: 539 (somme des 8 cols, soit 4.79% de densité)
État validé: 177 / 1408 (12.6%)
Image: 69 / 1408 (4.9%)
Latin named: 25 / 1408 (1.8%)
11. Exercices (3 stubs #2161)
Trois exercices pour explorer la substance PR-B. Chaque exercice = stub print("Exercice a completer") (règle C.1 : pas d’erreur volontaire). Le notebook s’exécute end-to-end même exercices non complétés.
# Exercice 1 : Distribution par famille × niveau (heatmap)## TODO :# 1. Construire une matrice de contingence famille × niveau (8 × 9)# 2. Afficher un heatmap avec annotations des counts# 3. Identifier la cellule (famille, niveau) la plus dense# 4. Commenter : est-ce que la distribution reflète un gradient pédagogique# (sophismes simples tôt, subtils tard) ou une distribution uniforme ?print("Exercice a completer")
Exercice a completer
Exercice 2 — CrossLink discovery : sur les entrées crossLink non-vides (539 au total, couvrant 487 sophismes), identifier les paires de sophismes les plus liées (par exemple : Pensée binaire ↔︎ Pensée binaire est une relation Mirrors circulaire). Y a-t-il un pattern ? Les crossLinks sont-ils concentrés sur certaines familles (par exemple abusDeLangage qui se prête à l’équivoque) ?
# Exercice 2 : CrossLink discovery## TODO :# 1. Filtrer les 22 crossLinks non-vides# 2. Pour chaque crossLink, récupérer la famille du sophisme source# 3. Compter les crossLinks par famille (distribution)# 4. Identifier les paires miroir (Mirrors, Inverts) — sont-elles intra-famille ?# 5. Conclure : la sparsity est-elle structurelle (effort de curation) ou# substantielle (les sophismes sont vraiment indépendants) ?print("Exercice a completer")
Exercice a completer
Exercice 3 — AIF mapping coverage : sur 1 408 sophismes, 116 ont un mapping AIF. Quelle est la couverture conditionnelle par famille ? (par exemple : argument d'autorité a-t-il un mapping AIF dans 100% des cas ?) Construire un tableau famille × {AIF_directRef, AIF_exceptionRef, AIF_mappingType} avec les counts et les pourcentages, et commenter la distribution inégale : est-ce que certaines familles (ex: influence) sont sur-représentées dans les AIF mappings parce qu’elles correspondent aux schemes Walton (Position to Know, Expert Opinion) ?
# Exercice 3 : AIF mapping coverage par famille## TODO :# 1. Grouper par 'Famille_camelCase'# 2. Pour chaque famille, compter :# - nombre de sophismes avec AIF_skosDirectRef non-vide# - nombre avec AIF_skosExceptionRef non-vide# - nombre avec AIF_skosMappingType non-vide# 3. Calculer le % de couverture pour chaque (famille × colonne AIF)# 4. Afficher un tableau récapitulatif (ou un heatmap) trié par couverture# 5. Conclure : la famille `influence` est-elle sur-représentée (car elle# correspond aux schemes Walton d'autorité) ? Quelle famille est# sous-représentée (sophismes purement rhétoriques, sans scheme Walton) ?print("Exercice a completer")
Exercice a completer
12. Conclusion + Ponts
Substance PR-B : 1 408 sophismes canoniques, 8 langues (100% coverage), 8 familles, 9 niveaux, 116 AIF mappings vers 60 schemes Walton uniques, 539 entrées crossLink crossLink (couverture 34,6 % = 487/1 408 sophismes ; densité 4,8 % sur la matrice 8 × 1 408 = 11 264). Le CSV canonique Argumentum est la source curée à la main d’où l’OWL est probablement généré par script.
Complémentarité avec PR-A : - PR-A expose la substance OWL (10 976 NamedIndividual, 4 183 ObjectPropertyAssertion, multilingue sparse). - PR-B expose la substance CSV (1 408 sophismes, multilingue dense, AIF mappings, crossLinks). - Le pont se fait en §8 : le ratio × 7,8 = 1 NamedIndividual ≈ 7,8 labels multilingues, cohérent avec une projection RDF multi-labels par sophisme.
Pédagogie : PR-B est plus accessible que PR-A pour un cours d’argumentation appliqué — le CSV est lisible par tableur, les crossLinks et AIF mappings sont directement enseignables. PR-A est plus technique (OWL, SKOS, RDF).
