Cet article évalue la faisabilité de la construction de réseaux bayésiens (RB) à l'aide de modèles de langage à grande échelle (MLL). Si les MLL ont démontré leur potentiel en tant que bases de connaissances factuelles, leur capacité à générer des connaissances probabilistes sur des événements réels reste sous-explorée. Cette étude explore comment exploiter les connaissances probabilistes inhérentes aux MLL pour dériver des estimations de probabilité d'énoncés sur les événements et leurs relations au sein des RB. Les MLL permettent la paramétrisation des RB, permettant ainsi la modélisation probabiliste dans des domaines spécifiques. Des expériences menées sur 80 RB accessibles au public, allant de la santé à la finance, démontrent que l'interrogation des MLL pour les probabilités conditionnelles d'événements produit des résultats significatifs par rapport aux données de référence, notamment des distributions aléatoires et uniformes et des approches basées sur la probabilité de la prochaine génération de jetons. Plus précisément, nous explorons comment les distributions extraites des MLL peuvent être utilisées comme a priori experts pour améliorer les distributions dérivées des données, en particulier lorsque celles-ci sont rares. Globalement, cette étude présente une stratégie prometteuse pour la construction automatique de réseaux bayésiens en combinant les connaissances probabilistes extraites des LLM avec des données réelles. De plus, elle établit la première base de référence complète pour l'évaluation des performances des LLM en matière d'extraction de connaissances probabilistes.
