@inproceedings{zhou-etal-2025-explicabilite,
title = "Explicabilit{\'e} par Perturbations pour les Syst{\`e}mes {RAG}",
author = "Zhou, Yongxin and
Mulhem, Philippe and
Schwab, Didier",
editor = "Bechet, Fr{\'e}d{\'e}ric and
Chifu, Adrian-Gabriel and
Pinel-sauvagnat, Karen and
Favre, Benoit and
Maes, Eliot and
Nurbakova, Diana",
booktitle = "Actes de l'atelier Acc{\`e}s {\`a} l{'}information bas{\'e} sur le dialogue et grands mod{\`e}les de langage 2025 (DIAG-LLM)",
month = "6",
year = "2025",
address = "Marseille, France",
publisher = "ATALA {\textbackslash}{\textbackslash}{\&} ARIA",
url = "https://aclanthology.org/2025.jeptalnrecital-diagllm.1/",
pages = "1--6",
language = "fra",
abstract = "Les syst{\`e}mes de G{\'e}n{\'e}ration Augment{\'e}e par R{\'e}cup{\'e}ration (RAG) ont pour objectif d{'}am{\'e}liorer les Grands Mod{\`e}les de Langage (LLM) en int{\'e}grant des informations provenant de sources externes pour g{\'e}n{\'e}rer des r{\'e}ponses, mais leur manque de transparence en terme d{'}explicabilit{\'e} soul{\`e}ve des pr{\'e}occupations, particuli{\`e}rement dans des domaines tels que la sant{\'e}, la finance ou le droit. Les m{\'e}thodes par perturbations fournissent une explicabilit{\'e} post-hoc, avec des RAG consid{\'e}r{\'e}s comme des bo{\^i}tes noires, en modifiant syst{\'e}matiquement les entr{\'e}es ou documents r{\'e}cup{\'e}r{\'e}s pour {\'e}valuer la stabilit{\'e} des r{\'e}ponses et l{'}attribution des sources. Ce document pr{\'e}sente un aper{\c{c}}u de l{'}explicabilit{\'e} des syst{\`e}mes RAG, en se concentrant sur les approches bas{\'e}es sur des exemples et des perturbations. Nous proposons une taxonomie des techniques de perturbation {\`a} diff{\'e}rents niveaux de granularit{\'e}, montrant comment elles offrent des indicateurs interpr{\'e}tables sur le comportement des mod{\`e}les"
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="zhou-etal-2025-explicabilite">
<titleInfo>
<title>Explicabilité par Perturbations pour les Systèmes RAG</title>
</titleInfo>
<name type="personal">
<namePart type="given">Yongxin</namePart>
<namePart type="family">Zhou</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Philippe</namePart>
<namePart type="family">Mulhem</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Didier</namePart>
<namePart type="family">Schwab</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2025-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de l’atelier Accès à l’information basé sur le dialogue et grands modèles de langage 2025 (DIAG-LLM)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Frédéric</namePart>
<namePart type="family">Bechet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Adrian-Gabriel</namePart>
<namePart type="family">Chifu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Karen</namePart>
<namePart type="family">Pinel-sauvagnat</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Benoit</namePart>
<namePart type="family">Favre</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eliot</namePart>
<namePart type="family">Maes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="family">Nurbakova</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA \textbackslash\textbackslash& ARIA</publisher>
<place>
<placeTerm type="text">Marseille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les systèmes de Génération Augmentée par Récupération (RAG) ont pour objectif d’améliorer les Grands Modèles de Langage (LLM) en intégrant des informations provenant de sources externes pour générer des réponses, mais leur manque de transparence en terme d’explicabilité soulève des préoccupations, particulièrement dans des domaines tels que la santé, la finance ou le droit. Les méthodes par perturbations fournissent une explicabilité post-hoc, avec des RAG considérés comme des boîtes noires, en modifiant systématiquement les entrées ou documents récupérés pour évaluer la stabilité des réponses et l’attribution des sources. Ce document présente un aperçu de l’explicabilité des systèmes RAG, en se concentrant sur les approches basées sur des exemples et des perturbations. Nous proposons une taxonomie des techniques de perturbation à différents niveaux de granularité, montrant comment elles offrent des indicateurs interprétables sur le comportement des modèles</abstract>
<identifier type="citekey">zhou-etal-2025-explicabilite</identifier>
<location>
<url>https://aclanthology.org/2025.jeptalnrecital-diagllm.1/</url>
</location>
<part>
<date>2025-6</date>
<extent unit="page">
<start>1</start>
<end>6</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Explicabilité par Perturbations pour les Systèmes RAG
%A Zhou, Yongxin
%A Mulhem, Philippe
%A Schwab, Didier
%Y Bechet, Frédéric
%Y Chifu, Adrian-Gabriel
%Y Pinel-sauvagnat, Karen
%Y Favre, Benoit
%Y Maes, Eliot
%Y Nurbakova, Diana
%S Actes de l’atelier Accès à l’information basé sur le dialogue et grands modèles de langage 2025 (DIAG-LLM)
%D 2025
%8 June
%I ATALA \textbackslash\textbackslash& ARIA
%C Marseille, France
%G fra
%F zhou-etal-2025-explicabilite
%X Les systèmes de Génération Augmentée par Récupération (RAG) ont pour objectif d’améliorer les Grands Modèles de Langage (LLM) en intégrant des informations provenant de sources externes pour générer des réponses, mais leur manque de transparence en terme d’explicabilité soulève des préoccupations, particulièrement dans des domaines tels que la santé, la finance ou le droit. Les méthodes par perturbations fournissent une explicabilité post-hoc, avec des RAG considérés comme des boîtes noires, en modifiant systématiquement les entrées ou documents récupérés pour évaluer la stabilité des réponses et l’attribution des sources. Ce document présente un aperçu de l’explicabilité des systèmes RAG, en se concentrant sur les approches basées sur des exemples et des perturbations. Nous proposons une taxonomie des techniques de perturbation à différents niveaux de granularité, montrant comment elles offrent des indicateurs interprétables sur le comportement des modèles
%U https://aclanthology.org/2025.jeptalnrecital-diagllm.1/
%P 1-6
Markdown (Informal)
[Explicabilité par Perturbations pour les Systèmes RAG](https://aclanthology.org/2025.jeptalnrecital-diagllm.1/) (Zhou et al., JEP/TALN/RECITAL 2025)
ACL
- Yongxin Zhou, Philippe Mulhem, and Didier Schwab. 2025. Explicabilité par Perturbations pour les Systèmes RAG. In Actes de l'atelier Accès à l’information basé sur le dialogue et grands modèles de langage 2025 (DIAG-LLM), pages 1–6, Marseille, France. ATALA \\& ARIA.