… qui encodent la sémantique du langage sous forme de graphes. Une revue complète des MRFs est présentée, avec une nouvelle classification fondée sur leurs propriétés structurelles, ainsi que les différentes ressources, utilisations et pistes de recherche. Les MRFs y sont repositionnés comme des artefacts computationnels capables de s’intégrer avec les modèles neuronaux. Sur cette base, la thèse introduit VANESSA, un système de raisonnement neuro-symbolique qui combine MRFs et LLMs, ainsi qu’une nouvelle représentation et un processus de parsing symbolique. VANESSA utilise cette représentation et décompose les problèmes de raisonnement en trois sous-tâches : parsing, inférence en langage naturel (NLI) et résolution formelle. Les résultats expérimentaux montrent que VANESSA atteint des performances comparables à celles des LLMs sur des tâches de raisonnement logique, tout en fournissant des sorties traçables et explicables, illustrant la valeur ajoutée des architectures hybrides. Enfin, la thèse aborde la vérification pas-à-pas des chaînes de raisonnement, notamment produites par les LLMs. Un benchmark de près de 5000 étapes annotées est présenté, évaluant la validité logique et l’exactitude factuelle. Bien que les LLMs soient capables de détecter certaines erreurs, les approches neuro-symboliques comme VANESSA offrent des performances comparables tout en apportant une forte transparence. Ainsi, cette thèse promeut une vision hybride de l’intelligence artificielle basée sur le langage, où LLMs et structures symboliques sont complémentaires. Elle ouvre la voie à des systèmes plus responsables, fiables et interprétables, conciliant souplesse neuronale et rigueur symbolique.