"Don't think of an elephant." Too late, you're already thinking about it. This thought experiment, popularized by cognitive linguist George Lakoff, reveals a fundamental mechanism: words are never neutral. They activate deep mental structures that orient our understanding even before any rational analysis.
This discovery revolutionizes our approach to LLM prompting. Because language models work analogously: certain words in a prompt activate entire "regions" of the latent space, orienting all subsequent generation.
1. What is a Cognitive Frame?
A frame (cognitive frame) is a mental structure that organizes our understanding of a situation even before we analyze it. George Lakoff demonstrated that words are never neutral: they activate entire networks of associations, emotions, and interpretations.
In Don't Think of an Elephant! (2004), Lakoff reveals how certain words structure our thinking unconsciously, upstream of any rational analysis.
"Tax relief"
Activates:
- • Relief
- • Burden
- • Liberation
"Gifts to the rich"
Activates:
- • Privilege
- • Injustice
- • Favoritism
Same reality (tax reduction), but different frames produce radically opposed interpretations. The frame acts before reasoning.
2. Conceptual Metaphors: Fundamental Structures
Lakoff et Johnson (Metaphors We Live By, 1980) ont montré que les métaphores ne sont pas de simples figures de style. Elles structurent notre pensée au niveau le plus fondamental, créant des associations profondes qui guident notre compréhension.
1️⃣ Le temps est de l'argent
On « dépense », « gagne », « perd » du temps → comme une ressource économique.
Impact sur les prompts : Utiliser "investir du temps" vs "perdre du temps" active des frames différents sur la productivité.
2️⃣ L'entreprise est une machine
On « pilote », « optimise », « répare » → vocabulaire mécanique appliqué à l'humain.
Impact sur les prompts : "Optimiser les processus" vs "Améliorer les pratiques" oriente vers des solutions différentes.
3️⃣ Le débat est une guerre
On « attaque », « défend », « gagne » → une logique agonistique de confrontation.
Impact sur les prompts : "Argumenter" vs "Explorer" change la nature de la réponse générée.
3. Comment Fonctionnent les LLM : Une Machine à Prédire
Pour comprendre comment les frames s'appliquent aux LLM, il faut d'abord comprendre ce qu'est réellement un modèle de langage.
💡 Le Modèle est une Machine à Prédire
Le modèle calcule le mot suivant le plus probable en fonction du contexte. Il ne « comprend » pas au sens humain. C'est un système probabiliste qui génère du texte statistiquement cohérent.
GPT = Generative Pre-trained Transformer. Le mot clé est « Transformer », l'architecture qui a révolutionné le traitement du langage.
🔤 Les Tokens
Fragments de mots (parfois mots entiers, parfois syllabes). Vocabulaire de travail : 50 000 à 100 000 tokens selon les modèles.
Exemple : "prompting" peut être tokenisé en ["prompt", "ing"] ou ["prompting"] selon le modèle.
📊 Les Embeddings
Chaque token devient un vecteur : des coordonnées dans un espace mathématique multidimensionnel (typiquement 768 à 4096 dimensions) qui représente son sens.
Les mots similaires sont proches : "chat" et "chien" ont des vecteurs similaires.
👁️ L'Attention
Le mécanisme qui permet à chaque token de « regarder » tous les autres et de pondérer leur importance selon le contexte. C'est le cœur de la révolution Transformer.
Multi-head attention : plusieurs « têtes » en parallèle détectent des patterns différents (syntaxe, coréférences, relations sémantiques).
🗜️ La Compression
Le modèle est un « fichier zip » : connaissance compressée de l'Internet stockée dans des milliards de paramètres.
10TB de données d'entraînement → 700GB de modèle (compression ~15x). La connaissance émerge de la combinaison de milliards de paramètres.
4. L'Espace des Embeddings : Où les Frames Opèrent
Dans l'espace initial des embeddings, les mots similaires sont proches : « chat » et « chien » (animaux domestiques), « chat » et « lynx » (félins). À ce stade, « banque » (financière) et « banque » (géographique) ont le même vecteur.
🔍 Le Mécanisme d'Attention
C'est le mécanisme d'attention qui va différencier leurs représentations selon le contexte. Le Transformer utilise self-attention : chaque token « regarde » tous les autres tokens et pondère leur importance.
Exemple concret d'attention :
Dans « La voiture rouge est garée devant la maison », quand le modèle traite « garée » :
- • 85% attention sur « voiture » (relation sujet-verbe forte)
- • 25% attention sur « rouge » (adjectif descriptif, moins pertinent)
- • 60% attention sur « devant la maison » (complément de lieu important)
🎯 Couches Successives et Émergence
- 96 couches pour GPT-3. À chaque couche, les représentations évoluent. Un mot n'est jamais « figé ».
- Émergence : Les spécialisations émergent pendant l'entraînement, elles ne sont pas programmées explicitement.
- L'analogie du chœur : Dans un chœur, aucun chanteur ne produit l'harmonie à lui seul. Elle émerge de la combinaison de toutes les voix. De même, aucun paramètre ne « contient » le fait que Paris est la capitale de la France. Cette connaissance émerge de la combinaison de milliards de paramètres.
5. Le Lien Entre Frames Cognitifs et Prompts LLM
Hypothèse centrale : Les LLM fonctionnent de manière analogue aux frames cognitifs humains. Certains mots dans un prompt activent des « régions » entières de l'espace latent du modèle, orientant toute la génération qui suit.
🎯 Comment les Frames Agissent dans les Prompts
Quand vous écrivez un prompt, certains mots vont influencer toute la génération qui suit. Le frame agit comme un prior statistique : il rend certaines suites de mots plus probables avant même que le modèle ne commence à générer.
Exemple :
Prompt 1 : "Explique-moi pourquoi cette stratégie échoue"
→ Active le frame « problème à résoudre ». Le modèle cherche des causes, des explications.
Prompt 2 : "Décris comment améliorer cette stratégie"
→ Active le frame « amélioration continue ». Le modèle génère des solutions, des optimisations.
🔬 Approche systémique
Active : interdépendances, boucles, effets secondaires.
Révèle les connexions cachées.
📜 Regard d'historien
Active : précédents, cycles, contexte temporel.
Met en perspective temporelle.
👥 Vision anthropologique
Active : pratiques, rituels, sens donné par les acteurs.
Comprend le « pourquoi » des comportements.
6. Techniques de Prompting Avancées Basées sur les Frames
🎭 Frame Switching
Changez explicitement de frame dans votre prompt pour obtenir des perspectives différentes.
"Analyse cette situation d'abord comme un économiste, puis comme un psychologue, enfin comme un sociologue. Compare les perspectives."
→ Active trois frames différents, génère une analyse multi-dimensionnelle.
🔀 Métaphore Explicite
Utilisez des métaphores conceptuelles pour orienter la génération.
"Imagine que cette entreprise est un organisme vivant. Comment décrirais-tu sa santé, son métabolisme, ses défenses immunitaires ?"
→ Active le frame « entreprise = organisme », génère des analyses biologiques.
⚡ Mots-Clés Activateurs
Certains mots activent des régions spécifiques de l'espace latent. Utilisez-les stratégiquement.
Activateurs analytiques :
« Analyser », « Décomposer », « Examiner », « Systématiser »
Activateurs créatifs :
« Imaginer », « Explorer », « Inventer », « Rêver »
Activateurs critiques :
« Questionner », « Contester », « Douter », « Remettre en cause »
Activateurs empathiques :
« Comprendre », « Ressentir », « Se mettre à la place de »
🚫 Frame Negation
Utilisez la négation pour éviter certains frames, comme l'éléphant de Lakoff.
"Explique cette technologie sans utiliser de métaphores militaires ou de guerre. Utilise plutôt des métaphores de collaboration et de croissance."
→ Force le modèle à éviter le frame « guerre » et à activer des frames alternatifs.
7. Le Piège des Hallucinations : Comprendre les Limites
"Hallucination is all LLMs do. They are dream machines. We direct their dreams with prompts."
— Andrej Karpathy
Le modèle ne sait pas ce qu'il sait. Il reconstruit du texte plausible sans vérifier. C'est pourquoi il peut « halluciner » : générer quelque chose qui semble vrai (statistiquement cohérent) mais qui est faux.
⚠️ Comment les Frames Influencent les Hallucinations
Un frame trop fort peut « forcer » le modèle à générer du contenu cohérent avec le frame mais factuellement incorrect. Par exemple, un prompt avec le frame « guerre » peut générer des métaphores agressives même si le contexte ne le justifie pas.
✅ Bonnes Pratiques pour Réduire les Hallucinations
- →Ancrez dans les faits : "Basé sur les données suivantes : [données]"
- →Demandez des sources : "Cite tes sources"
- →Limitez le scope : "Ne parle que de ce qui est vérifiable"
- →Utilisez des frames modérés : Évitez les métaphores trop fortes
8. Cas d'Usage Pratiques : Prompts Optimisés par Frames
📊 Analyse de Données
Prompt basique : "Analyse ces données"
→ Génère une analyse générique, peu structurée.
Prompt avec frame : "En tant qu'analyste de tendances, identifie les patterns émergents dans ces données. Utilise une approche systémique pour révéler les interdépendances cachées."
→ Active le frame « analyste expert » + « systémique », génère une analyse structurée et approfondie.
💡 Génération d'Idées
Prompt basique : "Donne-moi des idées pour améliorer ce produit"
→ Génère des idées génériques, peu innovantes.
Prompt avec frame : "Imagine que tu es un designer radical qui remet en question tous les présupposés. Quelles idées disruptives émergeraient si on repartait de zéro ?"
→ Active le frame « disruption » + « design thinking », génère des idées innovantes et audacieuses.
📝 Rédaction de Contenu
Prompt basique : "Écris un article sur l'IA"
→ Génère un contenu générique, peu engageant.
Prompt avec frame : "Écris un article sur l'IA en adoptant la perspective d'un anthropologue qui étudie comment cette technologie transforme les pratiques humaines. Utilise des métaphores de transformation plutôt que de révolution."
→ Active le frame « anthropologie » + « transformation », génère un contenu riche et nuancé.
9. Conclusion : Maîtriser l'Art du Prompting
Les frames cognitifs de Lakoff ne sont pas qu'une curiosité linguistique. Ils révèlent un mécanisme fondamental qui opère aussi bien dans l'esprit humain que dans les LLM : les mots structurent la pensée avant même le raisonnement.
🎯 Principes Clés pour un Prompting Efficace
- 1.Choisissez vos mots avec intention : Chaque mot active des associations. Sélectionnez ceux qui orientent vers le résultat souhaité.
- 2.Utilisez des métaphores stratégiques : Les métaphores conceptuelles structurent la génération. Choisissez-les selon l'angle d'analyse souhaité.
- 3.Changez de frame pour des perspectives multiples : Demandez au modèle d'analyser sous différents angles pour une compréhension riche.
- 4.Ancrez dans les faits : Les frames peuvent amplifier les hallucinations. Fournissez des données concrètes pour guider la génération.
- 5.Expérimentez et itérez : Le prompting est un art. Testez différents frames et observez comment ils transforment les réponses.
En maîtrisant les frames cognitifs, vous ne manipulez pas simplement un modèle de langage. Vous dialoguez avec une architecture qui fonctionne selon des principes similaires à ceux qui structurent la pensée humaine. C'est cette compréhension profonde qui transforme le prompting d'un art empirique en une discipline rigoureuse.
Questions Fréquentes
- Les frames fonctionnent-ils sur tous les LLM ?
- Oui, mais avec des nuances. Les modèles basés sur l'architecture Transformer (GPT, Claude, Gemini) sont tous sensibles aux frames. Cependant, les modèles plus récents et plus grands (GPT-4, Claude Opus) peuvent être plus résistants aux frames trop explicites grâce à leur meilleure compréhension contextuelle.
- Comment savoir quel frame utiliser ?
- Définissez d'abord votre objectif. Si vous voulez une analyse critique, utilisez des activateurs critiques. Si vous voulez de la créativité, utilisez des métaphores de croissance ou d'exploration. Expérimentez avec différents frames et comparez les résultats.
- Peut-on combiner plusieurs frames dans un même prompt ?
- Oui, c'est même recommandé. Demander au modèle d'analyser sous plusieurs perspectives (économique, psychologique, sociologique) enrichit la réponse. Cependant, évitez les frames contradictoires qui peuvent créer de la confusion.
- Les frames peuvent-ils être utilisés pour manipuler les réponses ?
- Oui, et c'est pourquoi la compréhension des frames est importante.Les frames influencent les réponses, mais ils ne garantissent pas la véracité. Toujours vérifier les faits générés et utiliser des frames modérés pour éviter les hallucinations amplifiées.