Cet article propose un cadre de raisonnement sur les conflits de connaissances (RCC) pour résoudre le problème des modèles linguistiques à grande échelle (MLL) qui peinent à résoudre des conflits de connaissances provenant de sources multiples, notamment les conflits de connaissances entre contextes conflictuels dans des textes longs. Le RCC s'appuie sur l'apprentissage par renforcement pour entraîner les LLM à sélectionner et à adhérer à des contextes présentant une cohérence logique plus forte face à des contextes conflictuels. Tout d'abord, il extrait des chemins d'inférence, exprimés sous forme de texte ou de graphes de connaissances locaux, à partir de contextes de textes longs conflictuels. Sur la base de ces chemins, le modèle est entraîné à suivre le bon chemin d'inférence, améliorant ainsi sa capacité à résoudre les conflits de connaissances dans des contextes de textes longs. Les résultats expérimentaux démontrent que le cadre proposé améliore significativement les capacités de résolution de conflits de connaissances de divers LLM.
