feat(fallacy,#17578): table d'alignement Logic-13 + MAFALDA-L2 -> Argumentum (tranche C, reprise de #20028)

MyIA.AI.Notebooks/GenAI/FallacyDetection/data/academic/NOTICE-ACADEMIC-ALIGNMENT

@@ -0,0 +1,71 @@
+NOTICE — CoursIA `data/academic/` (tranche C de l'issue #17578, EPIC #10355)
+==============================================================================
+
+Contenu
+-------
+
+`logic_mafalda_to_argumentum.csv` : table d'alignement des taxonomies
+académiques vers la taxonomie Argumentum, produite par l'organe
+`scripts/fallacy_detection/align_academic_to_argumentum.py` (aucune
+édition manuelle — regénérer par la commande ci-dessous).
+`alignment_report.json` : rapport de couverture de la même exécution.
+
+Provenance des taxonomies alignées
+----------------------------------
+
+Les listes académiques (LOGIC de Jin et al. 2021 ; MAFALDA-L2 de
+Helwe et al. 2023) sont les constantes de l'organe (`LOGIC_LABELS`,
+`MAFALDA_L2`), sourcées des publications :
+
+- Jin, Bhargava, Brew, Durrett, Klein, *Logical Fallacy Detection*,
+  Findings EMNLP 2021, arXiv:2202.13758. **Le papier dénombre 13 types**
+  (+ LogicClimate) ; l'inventaire encodé ici en porte **15** — les deux
+  de plus sont des variantes nominales rencontrées dans les datasets
+  dérivés. Le libellé de source (`LOGIC`) et le nom de la constante ne
+  portent donc **aucun cardinal** : le compte qui fait foi est le champ
+  `total` de `alignment_report.json` (revue NanoClaw 5469985194).
+- Helwe, Calamai, Paris, Clavel, Suchanek, *MAFALDA: A Benchmark and
+  Comprehensive Study of Fallacy Detection and Classification*,
+  NAACL 2024, arXiv:2311.09761 — L2 = **23** classes fines, encodées ici
+  au même compte.
+
+**Aucun corpus académique n'est commis dans ce dépôt.** La table
+n'aligne que des listes de labels, pas des données annotées.
+
+Licences — mesure firsthand du 2026-10-09 (lane myia-po-2026:CoursIA)
+---------------------------------------------------------------------
+
+| Source | Dépôt | Fichier LICENSE | Licence réelle |
+|---|---|---|---|
+| MAFALDA | `ChadiHelwe/MAFALDA` | absent (API `license: null`, aucune mention README) | CC-BY-SA **déclarée dans le papier seulement** |
+| LOGIC | `causalNLP/logical-fallacy` | absent (idem) | **aucune licence vérifiable à la source** |
+
+Conséquences (critères tranche C, commentaire du 2026-10-09 sur #17578) :
+
+- MAFALDA : corpus **non commis ici** ; si une phase ultérieure (FT/PT)
+  le consomme, la copie devra porter une NOTICE citant **le papier**
+  comme support de licence (pas un fichier LICENSE inexistant), avec
+  attribution et ShareAlike sur les dérivés.
+- LOGIC : corpus **non committable** dans ce dépôt public (absence de
+  licence vérifiable) — lecture hors dépôt (GDrive privé) ou `fetch`
+  déterministe épinglé par commit + sha1, jamais commis.
+
+Reproduction
+------------
+
+```
+python scripts/fallacy_detection/align_academic_to_argumentum.py \
+  --out-csv  MyIA.AI.Notebooks/GenAI/FallacyDetection/data/academic/logic_mafalda_to_argumentum.csv \
+  --out-json MyIA.AI.Notebooks/GenAI/FallacyDetection/data/academic/alignment_report.json \
+  --report
+```
+
+La taxonomie Argumentum cible est la copie in-repo
+(`data/argumentum_fallacies_taxonomy.csv`, cf. son NOTICE propre).
+
+`alignment_report.json` porte son ancre de reproductibilité sous deux
+formes : `argumentum_csv` (chemin **relatif au dépôt** — jamais un chemin
+machine-dépendant) et `argumentum_csv_sha256` (empreinte du CSV cible,
+qui reste vérifiable même si le chemin devient illisible). La table commise
+et ce rapport sont **rejoués par le test** : toute divergence avec une
+exécution fraîche rougit (`test_align_academic_payload_pins.py`).

MyIA.AI.Notebooks/GenAI/FallacyDetection/data/academic/alignment_report.json

@@ -0,0 +1,35 @@
+{
+  "by_source": {
+    "LOGIC": {
+      "total": 15,
+      "DIRECT": 12,
+      "PARTIAL": 3,
+      "NOT_FOUND": 0,
+      "labels_not_found": []
+    },
+    "MAFALDA-L2": {
+      "total": 23,
+      "DIRECT": 17,
+      "PARTIAL": 4,
+      "NOT_FOUND": 2,
+      "labels_not_found": [
+        "Appeal to values",
+        "Fallacy of logic"
+      ]
+    }
+  },
+  "argumentum_families_hit": {
+    "Influence": 7,
+    "Tricherie": 1,
+    "Insuffisance": 6,
+    "Obstruction": 6,
+    "Erreur mathématique": 7,
+    "Erreur de raisonnement": 4,
+    "Abus de langage": 5
+  },
+  "argumentum_families_never_hit": [],
+  "argumentum_family_count": 7,
+  "argumentum_total_leaves": 1407,
+  "argumentum_csv": "MyIA.AI.Notebooks/SymbolicAI/Argument_Analysis/data/argumentum_fallacies_taxonomy.csv",
+  "argumentum_csv_sha256": "fc8e90fea501c33330ae575a27c6c0c8ba828a10904b380a9b23c637f2887cf5"
+}

MyIA.AI.Notebooks/GenAI/FallacyDetection/data/academic/logic_mafalda_to_argumentum.csv

@@ -0,0 +1,39 @@
+academic_label,academic_source,keywords,best_pk,best_famille,best_name,score,verdict,"candidates (pk,famille,score)"
+Ad hominem,LOGIC,"['ad hominem', 'attaque personnelle']",1360,Obstruction,Ad hominem,0.7,DIRECT,"1360(Obstruction,0.70); 1398(Obstruction,0.70); 1338(Obstruction,0.03)"
+Appeal to authority,LOGIC,"[""argument d'autorité"", 'appeal to authority']",211,Influence,Référencement pléthorique,0.09,PARTIAL,"211(Influence,0.09); 85(Insuffisance,0.08); 940(Tricherie,0.08)"
+Appeal to emotion,LOGIC,"[""appel à l'émotion"", 'appel aux emotions']",299,Influence,Appel à l’émotion,0.143,PARTIAL,"299(Influence,0.14); 645(Erreur mathématique,0.07); 303(Influence,0.07)"
+Bandwagon,LOGIC,"['bandwagon', 'appel à la popularité', 'ad populum', 'appel à la bande']",1395,Obstruction,Appel à la bande,0.7,DIRECT,"1395(Obstruction,0.70); 683(Erreur mathématique,0.04); 131(Insuffisance,0.03)"
+Causal oversimplification,LOGIC,"['causal oversimplification', 'simplification']",135,Insuffisance,Simplification abusive,0.7,DIRECT,"135(Insuffisance,0.70); 707(Erreur de raisonnement,0.03); 720(Erreur de raisonnement,0.02)"
+Circular reasoning,LOGIC,"['raisonnement circulaire', 'circular']",699,Erreur de raisonnement,Argument circulaire,0.08,PARTIAL,"699(Erreur de raisonnement,0.08); 829(Abus de langage,0.06); 948(Tricherie,0.05)"
+Equivocation,LOGIC,"['équivoque', 'ambiguïté', 'equivocation']",855,Abus de langage,Equivocation,1.0,DIRECT,"855(Abus de langage,1.00); 360(Influence,0.70); 846(Abus de langage,0.70)"
+False analogy,LOGIC,"['fausse analogie', 'analogie']",839,Abus de langage,Fausse analogie,0.7,DIRECT,"839(Abus de langage,0.70); 841(Abus de langage,0.70); 797(Erreur de raisonnement,0.08)"
+False cause,LOGIC,"['fausse cause', 'post hoc', 'faux cause', 'causalité douteuse']",697,Erreur de raisonnement,Causalité douteuse,0.7,DIRECT,"697(Erreur de raisonnement,0.70); 635(Erreur mathématique,0.08); 889(Tricherie,0.07)"
+False dilemma,LOGIC,"['faux dilemme', 'faux dilemme']",814,Abus de langage,Pensée binaire,0.7,DIRECT,"814(Abus de langage,0.70); 889(Tricherie,0.09); 906(Tricherie,0.06)"
+Faulty generalization,LOGIC,"['generalisation', 'généralisation']",595,Erreur mathématique,Généralisation abusive,0.7,DIRECT,"595(Erreur mathématique,0.70); 598(Erreur mathématique,0.70); 618(Erreur mathématique,0.70)"
+Red herring,LOGIC,"['red herring', 'hareng rouge', 'diversion']",1314,Obstruction,Diversion,0.7,DIRECT,"1314(Obstruction,0.70); 1374(Obstruction,0.05); 1327(Obstruction,0.03)"
+Slippery slope,LOGIC,"['pente glissante', 'slippery slope']",677,Erreur mathématique,Pente glissante,0.7,DIRECT,"677(Erreur mathématique,0.70); 705(Erreur de raisonnement,0.70); 858(Abus de langage,0.70)"
+Straw man,LOGIC,"['épouvantail', 'straw man', 'homme de paille']",168,Insuffisance,Homme de paille,0.7,DIRECT,"168(Insuffisance,0.70); 894(Tricherie,0.70); 1365(Obstruction,0.70)"
+Sunk cost fallacy,LOGIC,"['coût irrécupérable', 'coûts irrécupérables', 'sunk cost']",440,Influence,Sophisme des coûts irrécupérables,0.7,DIRECT,"440(Influence,0.70); 1020(Tricherie,0.70); 1151(Tricherie,0.70)"
+Appeal to emotion,MAFALDA-L2,"['appeal to emotion', ""appel à l'émotion""]",299,Influence,Appel à l’émotion,0.114,PARTIAL,"299(Influence,0.11); 645(Erreur mathématique,0.07); 303(Influence,0.07)"
+Appeal to authority,MAFALDA-L2,"['appeal to authority', ""argument d'autorité""]",211,Influence,Référencement pléthorique,0.09,PARTIAL,"211(Influence,0.09); 85(Insuffisance,0.08); 940(Tricherie,0.08)"
+Appeal to nature,MAFALDA-L2,"['appeal to nature', 'appel à la nature']",108,Insuffisance,"Biologizing, The Green Fallacy",0.7,DIRECT,"108(Insuffisance,0.70); 645(Erreur mathématique,0.08); 303(Influence,0.07)"
+Appeal to tradition,MAFALDA-L2,"['appeal to tradition', 'appel à la tradition']",104,Insuffisance,Appel à la tradition,0.7,DIRECT,"104(Insuffisance,0.70); 645(Erreur mathématique,0.08); 303(Influence,0.07)"
+Appeal to popularity,MAFALDA-L2,"['appeal to popularity', 'ad populum', 'appel à la bande']",1395,Obstruction,Appel à la bande,0.7,DIRECT,"1395(Obstruction,0.70); 645(Erreur mathématique,0.07); 303(Influence,0.07)"
+Appeal to values,MAFALDA-L2,"['appeal to values', 'appel aux valeurs']",645,Erreur mathématique,Appel à la probabilité,0.075,NOT_FOUND,"645(Erreur mathématique,0.07); 303(Influence,0.07); 1384(Obstruction,0.07)"
+Appeal to fear,MAFALDA-L2,"['appeal to fear', 'appel à la peur']",337,Influence,Appel à la terreur,0.12,PARTIAL,"337(Influence,0.12); 50(Insuffisance,0.08); 466(Influence,0.08)"
+Sentimental appeal,MAFALDA-L2,"['sentimental', 'pathétique']",171,Insuffisance,Sophisme pathétique,0.7,DIRECT,"171(Insuffisance,0.70); 645(Erreur mathématique,0.04); 303(Influence,0.04)"
+Causal fallacy,MAFALDA-L2,"['causal', 'causalité', 'post hoc']",634,Erreur mathématique,Confusion entre corrélation et causalité,0.7,DIRECT,"634(Erreur mathématique,0.70); 635(Erreur mathématique,0.70); 697(Erreur de raisonnement,0.70)"
+False analogy,MAFALDA-L2,"['false analogy', 'fausse analogie']",839,Abus de langage,Fausse analogie,0.7,DIRECT,"839(Abus de langage,0.70); 797(Erreur de raisonnement,0.08); 877(Abus de langage,0.07)"
+Slippery slope,MAFALDA-L2,"['slippery slope', 'pente glissante']",677,Erreur mathématique,Pente glissante,0.7,DIRECT,"677(Erreur mathématique,0.70); 705(Erreur de raisonnement,0.70); 858(Abus de langage,0.70)"
+Hasty generalization,MAFALDA-L2,"['hasty generalization', 'généralisation hâtive']",598,Erreur mathématique,Généralisation hâtive,0.7,DIRECT,"598(Erreur mathématique,0.70); 759(Erreur de raisonnement,0.05); 1127(Tricherie,0.05)"
+Fallacy of composition,MAFALDA-L2,['composition'],622,Erreur mathématique,Sophisme de composition,0.7,DIRECT,"622(Erreur mathématique,0.70); 726(Erreur de raisonnement,0.70)"
+Fallacy of division,MAFALDA-L2,['division'],625,Erreur mathématique,Sophisme de division,0.7,DIRECT,"625(Erreur mathématique,0.70); 692(Erreur mathématique,0.70)"
+False cause,MAFALDA-L2,"['false cause', 'fausse cause', 'causalité douteuse']",697,Erreur de raisonnement,Causalité douteuse,0.7,DIRECT,"697(Erreur de raisonnement,0.70); 797(Erreur de raisonnement,0.07); 877(Abus de langage,0.07)"
+Fallacy of logic,MAFALDA-L2,['fallacy of logic'],222,Influence,Absurde,0.032,NOT_FOUND,"222(Influence,0.03); 832(Abus de langage,0.03); 750(Erreur de raisonnement,0.03)"
+Equivocation,MAFALDA-L2,"['equivocation', 'équivoque', 'ambiguïté']",855,Abus de langage,Equivocation,1.0,DIRECT,"855(Abus de langage,1.00); 360(Influence,0.70); 846(Abus de langage,0.70)"
+Fallacy of proportion,MAFALDA-L2,['proportion'],1193,Tricherie,Biais de proportionnalité,0.7,DIRECT,"1193(Tricherie,0.70)"
+Red herring,MAFALDA-L2,"['red herring', 'diversion']",1314,Obstruction,Diversion,0.7,DIRECT,"1314(Obstruction,0.70); 1327(Obstruction,0.04); 1374(Obstruction,0.03)"
+Straw man,MAFALDA-L2,"['straw man', 'épouvantail', 'homme de paille']",168,Insuffisance,Homme de paille,0.7,DIRECT,"168(Insuffisance,0.70); 894(Tricherie,0.70); 1365(Obstruction,0.70)"
+Circular reasoning,MAFALDA-L2,"['circular reasoning', 'raisonnement circulaire']",699,Erreur de raisonnement,Argument circulaire,0.08,PARTIAL,"699(Erreur de raisonnement,0.08); 829(Abus de langage,0.06); 948(Tricherie,0.05)"
+Begging the question,MAFALDA-L2,"['begging the question', 'pétition de principe']",183,Influence,Pétition de principe,0.7,DIRECT,"183(Influence,0.70); 698(Erreur de raisonnement,0.70); 703(Erreur de raisonnement,0.70)"
+Ad hominem,MAFALDA-L2,"['ad hominem', 'attaque personnelle']",1360,Obstruction,Ad hominem,0.7,DIRECT,"1360(Obstruction,0.70); 1398(Obstruction,0.70); 1338(Obstruction,0.03)"

scripts/fallacy_detection/align_academic_to_argumentum.py

@@ -28,7 +28,8 @@
 
 Sources (verifiees firsthand dans le survey #10360) :
   - Jin, Bhargava, Brew, Durrett, Klein, *Logical Fallacy Detection*, Findings
-    EMNLP 2021, arXiv:2202.13758 -- 13 types + LogicClimate.
+    EMNLP 2021, arXiv:2202.13758 -- le papier denombre 13 types + LogicClimate ;
+    l'inventaire encode ici en porte **15** (cf. ``LOGIC_LABELS``).
   - Helwe, Calamai, Paris, Clavel, Suchanek, *MAFALDA: A Benchmark and
     Comprehensive Study of Fallacy Detection and Classification*, 2023,
     arXiv:2311.09761 -- hierarchie 3 niveaux, L2 = 23 classes fines.
@@ -44,6 +45,7 @@
 
 import argparse
 import csv
+import hashlib
 import io
 import json
 import re
@@ -94,29 +96,38 @@
 # Listes d'etiquettes academiques (papiers cites, encodees ici).
 # ---------------------------------------------------------------------------
 
-# Logic / LogicClimate (Jin et al. 2021, arXiv:2202.13758) : 13 types.
-# Liste canonique du dataset (tasksource/logic2fallacy, causalNLP/logical-fallacy).
-# Chaque entree : (label_en, keywords FR/EN pour le matching, note source).
-LOGIC_13 = [
+# Libelles de SOURCE portes par la table et le rapport. Ils nomment la provenance
+# sans porter de cardinal : le compte fait foi dans `total` (revue NanoClaw
+# 5469985194 -- « Logic-13 » annoncait 13 pour un inventaire qui en porte 15).
+LOGIC_SOURCE = "LOGIC"
+MAFALDA_SOURCE = "MAFALDA-L2"
+
+# Logic / LogicClimate (Jin et al. 2021, arXiv:2202.13758).
+# Le papier denombre 13 types ; l'inventaire ENCODE ICI en porte **15** (les 2 de
+# plus sont des variantes nominales rencontrees dans les datasets derives --
+# tasksource/logic2fallacy, causalNLP/logical-fallacy). Le nom de la constante ne
+# porte donc AUCUN compte : le cardinal fait foi dans le champ ``total`` du rapport
+# et dans le test qui l'epingle, jamais dans un nom (revue NanoClaw 5469985194).
+# Chaque entree : (label_en, keywords FR/EN pour le matching).
+LOGIC_LABELS = [
     ("Ad hominem", ["ad hominem", "attaque personnelle"]),
     ("Appeal to authority", ["argument d'autorité", "appeal to authority"]),
     ("Appeal to emotion", ["appel à l'émotion", "appel aux emotions"]),
-    ("Bandwagon", ["bandwagon", "appel à la popularité", "ad populum"]),
+    ("Bandwagon", ["bandwagon", "appel à la popularité", "ad populum", "appel à la bande"]),
     ("Causal oversimplification", ["causal oversimplification", "simplification"]),
     ("Circular reasoning", ["raisonnement circulaire", "circular"]),
     ("Equivocation", ["équivoque", "ambiguïté", "equivocation"]),
     ("False analogy", ["fausse analogie", "analogie"]),
-    ("False cause", ["fausse cause", "post hoc", "faux cause"]),
+    ("False cause", ["fausse cause", "post hoc", "faux cause", "causalité douteuse"]),
     ("False dilemma", ["faux dilemme", "faux dilemme"]),
     ("Faulty generalization", ["generalisation", "généralisation"]),
     ("Red herring", ["red herring", "hareng rouge", "diversion"]),
     ("Slippery slope", ["pente glissante", "slippery slope"]),
     ("Straw man", ["épouvantail", "straw man", "homme de paille"]),
-    ("Sunk cost fallacy", ["coût irrécupérable", "sunk cost"]),
+    ("Sunk cost fallacy", ["coût irrécupérable", "coûts irrécupérables", "sunk cost"]),
 ]
-# NB : 15 entrees encodees couvrent les 13 types canoniques + 2 variants nominaux
-# frequent dans les datasets derives (Faulty generalisation / Hasty). On garde la
-# granularite pour que l'alignement soit robuste aux variantes de label.
+# NB : 15 entrees encodees (cardinal epingle par test ; le papier en denombre 13).
+# On garde la granularite pour que l'alignement soit robuste aux variantes de label.
 
 # MAFALDA (Helwe et al. 2023, arXiv:2311.09761) : L2 = 23 classes fines, sous
 # 3 categories L1 (Pathos / Logos / Ethos). Encodage issu du papier.
@@ -126,7 +137,7 @@
     ("Appeal to authority", ["appeal to authority", "argument d'autorité"], "Pathos"),
     ("Appeal to nature", ["appeal to nature", "appel à la nature"], "Pathos"),
     ("Appeal to tradition", ["appeal to tradition", "appel à la tradition"], "Pathos"),
-    ("Appeal to popularity", ["appeal to popularity", "ad populum"], "Pathos"),
+    ("Appeal to popularity", ["appeal to popularity", "ad populum", "appel à la bande"], "Pathos"),
     ("Appeal to values", ["appeal to values", "appel aux valeurs"], "Pathos"),
     ("Appeal to fear", ["appeal to fear", "appel à la peur"], "Pathos"),
     ("Sentimental appeal", ["sentimental", "pathétique"], "Pathos"),
@@ -137,7 +148,7 @@
     ("Hasty generalization", ["hasty generalization", "généralisation hâtive"], "Logos"),
     ("Fallacy of composition", ["composition"], "Logos"),
     ("Fallacy of division", ["division"], "Logos"),
-    ("False cause", ["false cause", "fausse cause"], "Logos"),
+    ("False cause", ["false cause", "fausse cause", "causalité douteuse"], "Logos"),
     ("Fallacy of logic", ["fallacy of logic"], "Logos"),
     ("Equivocation", ["equivocation", "équivoque", "ambiguïté"], "Logos"),
     ("Fallacy of proportion", ["proportion"], "Logos"),
@@ -243,7 +254,7 @@ class Alignment:
     """Resultat de l'alignement d'une etiquette academique vers Argumentum."""
 
     academic_label: str
-    academic_source: str  # "Logic13" ou "MAFALDA-L2"
+    academic_source: str  # LOGIC_SOURCE ou MAFALDA_SOURCE
     keywords: list[str]
     best_pk: str | None
     best_famille: str | None
@@ -339,6 +350,24 @@ def _norm(s: str) -> str:
     return re.sub(r"[^a-z0-9]+", " ", s).strip()
 
 
+def _repo_relative(p: Path) -> str:
+    """Chemin POSIX relatif a la racine du depot.
+
+    Un artefact commis ne porte jamais un chemin machine-dependant (revue
+    NanoClaw 5469985194). Hors depot (ex. fichier temporaire de test), seul le
+    nom est rendu -- jamais un chemin absolu.
+    """
+    try:
+        return p.resolve().relative_to(_REPO_ROOT).as_posix()
+    except ValueError:
+        return p.name
+
+
+def _sha256(p: Path) -> str:
+    """Empreinte du fichier : l'ancre qui reste verifiable meme sans le chemin."""
+    return hashlib.sha256(p.read_bytes()).hexdigest()
+
+
 # ---------------------------------------------------------------------------
 # Rapport de couverture.
 # ---------------------------------------------------------------------------
@@ -379,13 +408,17 @@ def build(
         raise FileNotFoundError(f"Taxonomie Argumentum introuvable : {csv_path}")
     argum = load_argumentum(csv_path)
     alignments: list[Alignment] = []
-    for label, kw in LOGIC_13:
-        alignments.append(align_label(label, "Logic13", kw, argum))
+    for label, kw in LOGIC_LABELS:
+        alignments.append(align_label(label, LOGIC_SOURCE, kw, argum))
     for label, kw, _l1 in MAFALDA_L2:
-        alignments.append(align_label(label, "MAFALDA-L2", kw, argum))
+        alignments.append(align_label(label, MAFALDA_SOURCE, kw, argum))
     report = coverage_report(alignments)
     report["argumentum_total_leaves"] = len(argum)
-    report["argumentum_csv"] = str(csv_path)
+    # Ancre de reproductibilite : chemin RELATIF au depot (jamais un chemin
+    # machine-dependant, cf. revue NanoClaw 5469985194) + empreinte du CSV cible,
+    # qui reste verifiable meme si le chemin devient illisible.
+    report["argumentum_csv"] = _repo_relative(csv_path)
+    report["argumentum_csv_sha256"] = _sha256(csv_path)
     return alignments, report
 
 
@@ -396,7 +429,7 @@ def build(
 
 def main(argv: list[str] | None = None) -> int:
     p = argparse.ArgumentParser(
-        description="Aligne Logic-13 + MAFALDA-23-L2 vers la taxonomie Argumentum."
+        description="Aligne les inventaires academiques LOGIC + MAFALDA-L2 vers la taxonomie Argumentum."
     )
     p.add_argument(
         "--taxonomy",