Des chercheurs proposent un cadre théorique pour la localisation du contexte dans l’évaluation généralisée par niveaux au sein des systèmes à base de connaissances. Le travail s’intéresse à des situations où un score non négatif et structuré — appliqué à des faits, règles, cas, critères ou unités de preuve — est évalué via des tests d’agrégation conditionnels sur des contextes de connaissance admissibles.
Au cœur de l’article, une mesure généralisée par niveau est définie comme la maximisation d’une fonction d’ensemble monotone sur tous les contextes dont le support agrégé atteint un seuil prescrit. La question centrale est la suivante : dans quelles conditions le fait de filtrer un score par un contexte `B` est-il équivalent au fait de restreindre les contextes admissibles à leur intersection avec `B` ?
Le résultat principal établit que cette cohérence vaut pour toutes les fonctions d’ensemble monotones si, et seulement si, deux conditions structurelles sont réunies. La première est une forme de monotonie vis-à-vis des contextes. La seconde est une propriété de réduction, qui exclut l’existence d’un support localisé positif en dehors du contexte `B`. Les auteurs analysent aussi des mécanismes ponctuels et par blocs capables de produire cette propriété de réduction.
L’étude étend enfin ce résultat à des systèmes paramétrés et l’interprète comme un critère de stabilité pour la sélection de preuves dépendante du contexte, l’évaluation de supports non additifs et l’agrégation de connaissances par niveaux. À ce stade, l’article relève surtout de la recherche fondamentale : il ne détaille pas, dans le résumé disponible, de cas d’usage industriels précis, mais fournit une base formelle potentiellement utile pour des systèmes d’IA explicables ou des moteurs de raisonnement sensibles au contexte.