Dans le vaste champ de la psychologie expérimentale et de la psychophysique, la capacité à distinguer avec précision un stimulus pertinent au sein d’un environnement bruité constitue l’un des défis méthodologiques les plus fondamentaux. Le d-prime, universellement noté d’, s’impose comme la métrique cardinale de la théorie de la détection du signal, permettant d’isoler la sensibilité sensorielle ou mnésique intrinsèque de l’observateur indépendamment de ses penchants décisionnels. Cette quantification rigoureuse offre aux chercheurs un instrument d’une remarquable élégance conceptuelle pour explorer les frontières subtiles de la perception humaine et de la cognition.
Le d-prime (d’)
1. Définition concise
En psychophysique et en psychométrie, le d-prime (noté d’) est une mesure statistique standardisée évaluant la capacité d’un observateur à discriminer un signal cible au milieu d’un bruit de fond aléatoire. Il quantifie la distance séparant la distribution statistique du bruit pur de celle associant le signal au bruit, exprimée en unités d’écart-type de ces distributions. Fondamentalement indépendant des stratégies ou des tendances subjectives de réponse de l’individu, le d-prime reflète la sensibilité ou l’acuité discriminative pure d’un système sensoriel ou cognitif.
Sur le plan conceptuel, le d-prime postule que les représentations internes des événements perceptifs sont intrinsèquement bruitées et peuvent être modélisées par des distributions probabilistes continues, le plus souvent normales. Lorsqu’un sujet est confronté à une tâche binaire de détection, ses décisions dépendent à la fois de la séparation objective de ces représentations cérébrales et du critère décisionnel qu’il adopte délibérément ou inconsciemment. En isolant la composante perceptive de la dynamique motivationnelle, le d-prime surmonte l’un des écueils majeurs des mesures traditionnelles fondées sur le simple pourcentage d’erreurs ou de réussites.
Ainsi, le d-prime fournit une échelle d’intervalle robuste pour quantifier l’efficacité du traitement de l’information : une valeur nulle traduit une incapacité absolue à discriminer le signal du bruit (performance équivalente au hasard), tandis qu’une valeur élevée indique une discrimination quasi parfaite entre la présence d’un signal et son absence.
2. Étymologie et origine linguistique
L’expression d-prime provient de la nomenclature mathématique anglo-saxonne, où la lettre minuscule d désigne traditionnellement la distance ou la différence (du latin differentia, dérivé du verbe differre signifiant « porter de côté, être distinct »). L’adjonction de l’apostrophe ou prime (« prime » en anglais, issu du latin primus, « premier ») signale conventionnellement en mathématiques et en physique une dérivation, une modification d’état ou une normalisation d’une variable originelle.
Le terme a été introduit au début des années 1950 dans le cadre du développement technique des systèmes de télécommunication et de radar par des ingénieurs électroniciens et des psycho-acousticiens américains. Il visait spécifiquement à normaliser la différence brute des moyennes sensorielles par rapport à la variance commune du bruit. Lors de son intégration dans la littérature psychologique francophone au cours des années 1960 et 1970, l’expression a été adoptée sous la forme phonétique « d-prime », conservant le symbole mathématique d’ tout en étant souvent explicitée sous les syntagmes « indice de sensibilité » ou « indice de discriminabilité ».
L’emprunt direct de l’anglais s’est stabilisé dans la communauté académique internationale en raison de son universalité dans les formules mathématiques et les logiciels d’analyse statistique, faisant du d-prime l’un des rares néologismes techniques conservés tels quels par les psychologues de langue française.
3. Prononciation et forme grammaticale
Sur le plan linguistique et grammatical, d-prime est un syntagme nominal masculin invariable. En français standard, sa transcription phonétique s’établit sous la forme /de pʁim/. À l’écrit, on rencontre indifféremment l’appellation orthographique complète « d-prime » (ou occasionnellement « d prime » sans trait d’union) et le symbole typographique formalisé d’, ce dernier étant invariablement imprimé en italique dans les publications savantes conformes aux normes typographiques de l’American Psychological Association (APA).
Dans le discours scientifique, le terme fonctionne couramment comme nom commun (par exemple : « le d-prime calculé chez ce participant ») ou comme modificateur juxtaposé désignant une valeur scalaire (« une valeur de d’ égale à 1,5 »). Bien que le pluriel orthographique « des d-primes » puisse se rencontrer occasionnellement dans certains écrits pédagogiques, l’usage académique prédominant privilégie l’invariabilité de la notation mathématique (« les indices d’ » ou « les valeurs de d-prime »).
Dans les textes francophones de méthodologie, le terme est fréquemment apposé aux locutions « indice de sensibilité d’ » ou « mesure de discriminabilité d’ », conférant ainsi au terme une double identité sémantique : celle d’un concept abstrait et celle de l’opérateur mathématique précis qui le matérialise.
4. Explication conceptuelle détaillée
Pour appréhender le d-prime dans toute sa complexité, il convient d’examiner le modèle théorique sous-jacent issu de la théorie de la détection du signal (TDS). Ce paradigme repose sur l’hypothèse ontologique selon laquelle le système nerveux central ne se trouve jamais dans un état d’inactivité ou de silence complet. Même en l’absence de toute stimulation externe, une activité neuronale stochastique résiduelle, qualifiée de « bruit », anime continuellement les voies sensorielles et associatives. Lorsqu’un stimulus réel est présenté dans l’environnement, l’effet neuronal induit s’ajoute simplement à ce bruit de fond préexistant. Dès lors, le cerveau ne traite jamais une information absolue, mais compare en permanence un état « Bruit seul » (B) à un état « Signal plus Bruit » (S+B).
Chacun de ces deux états engendre sur l’axe des sensations internes une distribution de probabilités, généralement assimilée à une loi gaussienne. L’axe horizontal représente l’amplitude de l’évidence sensorielle ou de la force de la trace mnésique interne générée dans l’esprit du sujet. La première distribution modélise la probabilité d’obtenir une intensité subjective donnée en présence exclusive du bruit, tandis que la seconde, décalée vers la droite, représente l’intensité subjective provoquée par l’association du signal et du bruit. Le d-prime correspond précisément à la distance géométrique séparant les moyennes de ces deux courbes, normalisée par leur dispersion commune.
Si les deux courbes se chevauchent presque intégralement, la valeur de d’ tend vers zéro : le système sensoriel est incapable de déterminer si l’activation interne résulte du bruit spontané ou du signal extérieur. En revanche, à mesure que l’intensité physique du signal augmente ou que l’acuité de l’organe récepteur s’affine, la courbe S+B s’éloigne de la courbe B. Le d-prime croît de manière continue, témoignant d’une réduction drastique de l’ambiguïté perceptive interne. Dans la pratique, des valeurs de d’ situées entre 0,5 et 1,5 reflètent une discrimination modérée, tandis que des valeurs supérieures à 3,0 caractérisent une performance quasi infaillible où le signal se démarque nettement du bruit.
L’apport révolutionnaire du concept réside dans son découplage intégral avec le critère de réponse (noté c ou β). Deux observateurs confrontés à la même tâche peuvent obtenir exactement la même sensibilité (même valeur de d’) tout en manifestant des profils comportementaux radicalement distincts : l’un peut adopter une attitude prudente ou conservatrice en hésitant à signaler le signal par peur des fausses alertes, tandis que l’autre, audacieux ou libéral, préfère signaler systématiquement le signal pour maximiser ses détections réussies, au prix de nombreuses erreurs. Le d-prime extrait la vérité fonctionnelle du système sensoriel sous-jacent, libérée des artefacts comportementaux, de la fatigue passagère, des récompenses financières ou de l’anxiété de l’évaluateur.
5. Évolution historique
La genèse du d-prime s’enracine au milieu du XXe siècle, dans le contexte des recherches technologiques militaires de la Seconde Guerre mondiale et de l’immédiat après-guerre. Face à la prolifération des systèmes radar et sonar, les ingénieurs étaient confrontés à un dilemme permanent : les opérateurs humains confondaient fréquemment des bruits électroniques parasites ou des échos de vagues avec de réels bombardiers ou sous-marins ennemis. Les premiers travaux formels sur ce problème émergent aux États-Unis, notamment au sein de l’Electronic Defense Group de l’Université du Michigan, sous l’impulsion de mathématiciens et d’ingénieurs comme W. W. Peterson, T. G. Birdsall et W. C. Fox, qui formalisent les mathématiques de la détection du signal en 1954.
Très rapidement, des figures marquantes de la psycho-acoustique et de la psychophysique expérimentale perçoivent l’immense portée épistémologique de cette modélisation pour l’étude de l’esprit humain. Wilson P. Tanner Jr. et John A. Swets publient en 1954 un article fondateur dans la revue Psychological Review, transposant les principes de détection de signaux radar à la perception visuelle humaine. Ils démontrent que les méthodes classiques héritées de Gustav Fechner — qui supposaient l’existence d’un « seuil absolu » fixe au-delà duquel la perception franchirait instantanément une barrière de conscience — échouaient à expliquer pourquoi un sujet pouvait changer d’avis selon les instructions ou les systèmes d’incitation financière qui lui étaient présentés.
La formalisation définitive et la diffusion universelle du d-prime surviennent en 1966 avec la publication de l’ouvrage classique de David M. Green et John A. Swets, Signal Detection Theory and Psychophysics. Ce traité magistral démontre mathématiquement que la notion féchnérienne de seuil sensoriel rigide est une illusion expérimentale découlant d’une confusion entre sensibilité et critère de décision. L’ouvrage érige le d-prime en mètre étalon de la psychophysique moderne, ouvrant la voie à son application fulgurante dans d’autres branches de la psychologie, tout particulièrement dans l’étude de la mémoire épisodique, où Duncan Norman et d’autres chercheurs l’utilisent dès la fin des années 1960 pour modéliser la reconnaissance d’anciens et de nouveaux items mémoriels.
6. Fondements théoriques
Les fondements théoriques du d-prime s’articulent autour de l’axiomatique de la théorie statistique de la décision et de la théorie probabiliste de l’information. Le modèle repose sur trois hypothèses paradigmatiques majeures :
La première hypothèse est celle de la dimensionnalité unidimensionnelle continue. Elle postule que des stimuli sensoriels complexes ou des traces cognitives peuvent être projetés, au niveau décisionnel ultime, sur une échelle unidimensionnelle interne de décision représentant la plausibilité ou la force de l’information (souvent appelée le rapport de vraisemblance ou « decision axis »). Cette simplification permet de ramener l’ensemble des processus neuronaux afférents à un processus scalaire unique.
La deuxième hypothèse implique la normalité et l’homoscédasticité des distributions. Dans le modèle classique du d-prime, on postule que les sensations associées au bruit et celles associées au signal plus bruit suivent chacune une distribution normale (loi de Gauss) et que ces deux distributions possèdent une variance rigoureusement identique (généralement normalisée à 1). Cette supposition d’égal écart-type (modèle à variance égale) est celle qui justifie la formulation élémentaire de la soustraction des scores Z.
La troisième hypothèse réside dans la séparation fonctionnelle stricte entre le transducteur sensoriel et le mécanisme décisionnel. Le modèle admet que le transducteur génère la distribution interne des évidences sensorielles de façon déterministe et probabiliste en fonction des contraintes biologiques des organes récepteurs, tandis qu’un opérateur décisionnel distinct et situé en aval fixe un seuil critique ou critère de coupure. Cette dichotomie radicale postule que le d-prime est un invariant fonctionnel du récepteur qui ne se déforme pas lorsque l’environnement cognitif, les biais motivationnels ou les probabilités a priori d’apparition du stimulus viennent à fluctuer.
7. Composantes clés, types et dimensions
La compréhension du d-prime requiert une décomposition systématique de ses éléments constitutifs et de ses déclinaisons théoriques :
- La matrice de contingence à quatre issues : Dans toute tâche binaire de détection, les réponses du sujet croisées avec la réalité physique engendrent quatre catégories indispensables au calcul du d-prime : les Détections Correctes ou Touches (signal présent, réponse « oui »), les Omissions ou Rejets Manqués (signal présent, réponse « non »), les Fausses Alertes (bruit seul, réponse « oui ») et les Rejets Corrects (bruit seul, réponse « non »).
- Le taux de détections correctes ($T_{DC}$ ou $H$, pour Hit Rate) : Proportion de signaux effectivement détectés par rapport au total des essais comportant un signal. Il correspond à la surface de la distribution S+B située au-delà du critère de décision.
- Le taux de fausses alertes ($T_{FA}$ ou $FA$, pour False Alarm Rate) : Proportion d’erreurs commises consistant à signaler un stimulus alors que seul le bruit était présent. Il correspond à la surface de la distribution de bruit B située au-delà du même critère.
- La transformation en score Z : Conversion non linéaire des proportions empiriques de détections correctes et de fausses alertes en unités de déviation standard par l’inverse de la fonction de répartition de la loi normale centrée réduite ($Z = \Phi^{-1}$).
- Le d-prime à variance égale ($d’$) : Modèle standard et universel supposant que la courbe S+B possède exactement le même écart-type que la courbe B ($\sigma_B = \sigma_{SB} = 1$).
- Le d-prime généralisé ou $d_a$ : Version ajustée utilisée lorsque la variance de la distribution signal plus bruit diffère de celle du bruit seul ($sigma_{SB}
eq sigma_B$), situation fréquente dans les épreuves de reconnaissance mnésique. - L’aire sous la courbe ROC ($Az$ ou AUC) : Métrique non paramétrique intrinsèquement liée au d-prime, représentant géométriquement la sensibilité globale d’un sujet sur l’ensemble de tous les critères de décision possibles au sein d’une courbe ROC (Receiver Operating Characteristic).
8. Exemples concrets et cas illustratifs
Afin d’illustrer la pertinence empirique du d-prime, examinons le cas classique de la lecture d’une radiographie pulmonaire par deux radiologues cherchant à détecter une micro-opacité nodulaire suspecte. Le radiologue A est particulièrement anxieux à l’idée d’omettre une tumeur maligne ; il adopte un critère décisionnel très indulgent. Sur cent clichés contenant une lésion, il en identifie 95 (taux de détection correcte $H = 0,95$). Cependant, sur cent clichés normaux indemnes de toute anomalie, il suspecte à tort une lésion dans 40 cas (taux de fausses alertes $FA = 0,40$).
Le radiologue B, quant à lui, redoute d’induire des biopsies invasives et anxiogènes inutiles pour ses patients. Il s’impose une discipline rigoureuse et ne déclare une image anormale que s’il est absolument certain de son observation. Sur les cent clichés présentant une lésion, il n’en repère que 60 ($H = 0,60$), mais sur les cent clichés sains, il ne commet que 5 fausses alertes ($FA = 0,05$). En comparant les taux bruts de détection (95 % contre 60 %), on pourrait juger hâtivement que le radiologue A est bien plus perspicace que son confrère.
Le calcul du d-prime dissipe immédiatement ce trompe-l’œil. Pour le radiologue A, les transformations en scores Z donnent $Z(0,95) pprox 1,645$ et $Z(0,40) pprox -0,253$, aboutissant à un $d’ = 1,645 – (-0,253) = 1,898$. Pour le radiologue B, nous obtenons $Z(0,60) pprox 0,253$ et $Z(0,05) pprox -1,645$, conduisant à un $d’ = 0,253 – (-1,645) = 1,898$. Les deux praticiens possèdent exactement la même sensibilité discriminative ($d’ pprox 1,90$) : ils sont rigoureusement aussi compétents l’un que l’autre dans leur acuité visuelle. Leur divergence clinique apparente résulte exclusivement du critère décisionnel ($c$) qu’ils ont choisi d’appliquer.
Un autre exemple concret se manifeste dans les tâches de mémorisation de listes de mots. Un participant amnésique peut sembler reconnaître une grande quantité de mots appris antérieurement mais, si l’on examine son comportement, il répond « oui, j’ai déjà vu ce mot » à tous les leurres qu’on lui présente. Son taux de reconnaissance brute de 90 % masque un d-prime proche de zéro, confirmant l’absence de trace mnésique distincte.
9. Mesure, calcul et évaluation
La détermination empirique du d-prime obéit à un protocole standardisé exigeant un nombre suffisant d’essais expérimentaux afin de stabiliser l’estimation des probabilités d’occurrence des différentes réponses. La formule mathématique générale du d-prime s’exprime par la relation :
$d’ = Z(H) – Z(FA)$
Dans cette équation, $H$ représente la proportion de détections correctes ($H = ext{Nombre de touches} / ext{Nombre total d’essais a\vec signal}$), $FA$ désigne la proportion de fausses alertes ($FA = ext{Nombre de fausses alertes} / ext{Nombre total d’essais a\vec bruit}$), et $Z(p)$ représente la fonction quantile de la loi normale standard (la réciproque de la fonction de répartition gaussienne, souvent désignée comme la fonction probit). Mathématiquement, $Z(p)$ convertit une probabilité cumulée $p$ en une abscisse d’écart-type le long d’une courbe normale centrée en zéro.
Une difficulté méthodologique survient fréquemment lors du recueil des données expérimentales : l’obtention de proportions extrêmes parfaites, c’est-à-dire un taux de détection de 1,00 (100 %) ou un taux de fausses alertes de 0,00 (0 %). Dans ces configurations, l’évaluation de la fonction quantile donne une valeur mathématiquement indéfinie tendant vers l’infini positif ou négatif ($Z(1) = +\infty$ et $Z(0) = -\infty$), ce qui rend le calcul brut du d-prime impossible. Pour pallier cet obstacle sans biaiser arbitrairement les données, les chercheurs utilisent des techniques de correction standardisées, la plus rigoureuse étant la correction log-linéaire préconisée par Hautus (1995).
Cette correction consiste à ajouter un demi-succès ($0,5$) à tous les dénombrements de réponses et à ajouter $1$ au nombre total d’essais effectifs avant de calculer les proportions : $H = ( ext{Touches} + 0,5) / ( ext{Signaux} + 1)$ et $FA = ( ext{Fausses Alertes} + 0,5) / ( ext{Bruits} + 1)$. Cette régularisation bayésienne évite les singularités asymptotiques et garantit la validité mathématique du d-prime même en présence de séries d’essais restreintes.
Parallèlement au d-prime, il est impératif d’évaluer le critère décisionnel associé, généralement quantifié par l’indice de position $c$, défini par la formule :
$c = - rac{1}{2} [Z(H) + Z(FA)]$
Une valeur de $c = 0$ indique un observateur neutre sans parti pris décisionnel ; une valeur positive ($c > 0$) signale un critère strict ou conservateur (l’observateur hésite à dire « oui »), tandis qu’une valeur négative ($c < 0$) dénote un biais libéral (tendance marquée à répondre « oui »).
10. Applications et portée pratique
La flexibilité formelle du d-prime lui confère une pertinence opérationnelle majeure dans de multiples disciplines scientifiques et appliquées :
En neuropsychologie clinique et neurologie cognitive, le d-prime est systématiquement employé pour évaluer les déficits de la mémoire épisodique chez les patients atteints de la maladie d’Alzheimer ou d’autres pathologies neurodégénératives. Les tests traditionnels de mémorisation verbale (tels que le test de Grober et Buschke ou le CVLT) exploitent le d-prime pour isoler l’oubli réel de la fabulation ou de la distractibilité, ces dernières se manifestant par une inflation pathologique des fausses reconnaissances qui anéantit la valeur de sensibilité.
En ergonomie cognitive et sécurité des transports, le d-prime permet de mesurer l’impact de la fatigue, des rythmes circadiens ou de l’alcoolémie sur les performances des contrôleurs aériens, des conducteurs de train et des veilleurs de nuit. Il permet de démontrer, par exemple, que la privation prolongée de sommeil dégrade spécifiquement le d-prime auditif face aux alarmes sonores, indépendamment des procédures d’acquittement imposées par les protocoles industriels.
Dans le domaine légal et judiciaire, la psychologie du témoignage oculaire s’appuie massivement sur le d-prime pour évaluer la fiabilité des témoins lors de l’identification de suspects au sein de parades judiciaires (« lineups »). Les travaux conduits sur le sujet démontrent que certaines modifications de procédure (par exemple, présenter les suspects de manière séquentielle plutôt que simultanée) modifient souvent le critère décisionnel des témoins sans pour autant accroître leur d-prime sous-jacent, remettant ainsi en question des réformes procédurales supposées vertueuses.
Enfin, en apprentissage automatique et science des données, le d-prime est étroitement corrélé aux métriques d’évaluation des classificateurs binaires d’intelligence artificielle. Les ingénieurs l’utilisent pour paramétrer la sensibilité des algorithmes d’analyse d’images médicales ou de filtrage de spams afin d’optimiser le ratio signal/bruit indépendamment des seuils de classification arbitraires.
11. Recherches et preuves empiriques
Depuis plus d’un demi-siècle, une masse monumentale de travaux empiriques confirme la robustesse et la supériorité explicative du d-prime face aux indices naïfs de performance. L’un des pans de recherche les plus illustratifs concerne l’exploration psychophysiologique de l’attention sélective par la méthode des potentiels évoqués cognitifs (ERP). Des études fondatrices menées par Steven Hillyard et ses collaborateurs ont établi que l’attention spatiale focalisée engendre une augmentation directe du d-prime pour les cibles situées dans l’hémichamp visuel stimulé, augmentation qui se corrèle très fidèlement avec l’amplitude de l’onde précoce P1/N1 enregistrée sur le cortex occipito-pariétal.
Dans le champ de la mémoire, les recherches de Gordon H. Macmillan et de C. Douglas Creelman, synthétisées dans leur imposant ouvrage Detection Theory: A User’s Guide, ont apporté la preuve empirique que le d-prime permet de résoudre des contradictions apparentes issues d’anciennes études mnésiques. Ils ont prouvé que la prétendue supériorité de la reconnaissance sur le rappel libre n’était pas nécessairement le fruit de mécanismes cognitifs intrinsèquement dissociés, mais relevait souvent d’un déplacement spectaculaire des critères décisionnels des participants lorsqu’ils sont confrontés à des leurres plus ou moins plausibles.
Plus récemment, les neurosciences computationnelles ont relié le d-prime à la théorie de l’accumulation séquentielle de preuves, illustrée par le modèle de diffusion de Ratcliff (Drift Diffusion Model). Les données issues de l’imagerie par résonance magnétique fonctionnelle (IRMf) et de l’enregistrement électrophysiologique unitaire chez le primate non humain (notamment dans le cortex intrapariétal latéral ou LIP) démontrent que la valeur de d’ reflète fidèlement le taux d’accumulation d’information neuronale par unité de temps (« drift rate »). Ces résultats expérimentaux valident l’ancrage biologique direct du d-prime au cœur des processus décisionnels du système nerveux central.
12. Considérations socioculturelles et contextuelles
Bien que le d-prime soit fondamentalement une métrique mathématique universelle indépendante des influences culturelles, son interprétation et son déploiement au sein de populations diversifiées exigent une analyse contextuelle soignée. Dans de nombreuses cultures, les normes relatives à l’acceptation de l’incertitude et à la soumission à l’autorité modifient profondément la dynamique décisionnelle lors d’une passation psychologique standardisée.
Dans des contextes culturels valorisant fortement la prudence, le consensus ou la modestie, les individus ont tendance à manifester spontanément un critère de décision extrêmement conservateur (valeur de $c$ positive très élevée). S’ils ne sont évalués qu’à l’aune de leur proportion brute de détections réussies, ils peuvent être jugés erronément comme ayant une moindre efficience cognitive ou sensorielle. Le d-prime neutralise précisément ce biais culturel en révélant que leur sensibilité interne est strictement identique à celle d’individus issus de cultures individualistes ou compétitives où l’audace et la prise de risque décisionnelle (critère libéral) sont socialement encouragées.
De surcroît, le contenu sémantique des signaux utilisés dans les épreuves cognitives (mots de vocabulaire, expressions faciales émotionnelles, scènes visuelles) est tributaire du capital culturel et linguistique des participants. Si les stimuli présentent une familiarité inégale selon les groupes étudiés, le bruit interne généré dans le système cognitif sera plus disparate, ce qui peut comprimer artificiellement le d-prime chez les groupes non acculturés. Il est donc crucial d’assurer l’équivalence des distributions de base avant de conclure à une divergence fondamentale de sensibilité sensorielle ou mnésique.
13. Critiques, controverses et limites
Malgré son hégémonie dans les sciences du comportement, le modèle standard du d-prime a fait l’objet de vives controverses méthodologiques et théoriques qui en délimitent les contours d’application :
La critique la plus tenace vise le postulat d’égale variance (homoscédasticité). Dès les années 1960 et 1970, des psychologues cognitivistes, notamment dans les études de mémoire de reconnaissance, ont remarqué que la distribution associée aux signaux cibles est systématiquement plus dispersée et variable que celle associée au bruit pur ($\sigma_{SB} > \sigma_B$). Lorsque l’on trace la courbe ROC dans un espace probabiliste bilogarithmique ou normalisé (z-ROC), la pente observée n’est généralement pas de 1,0 (comme l’exige le d-prime classique), mais s’établit fréquemment autour de 0,75 à 0,80. Dans ces conditions, l’usage du d-prime ordinaire induit un biais systématique, car la sensibilité calculée devient alors dépendante du critère de réponse adopté.
Pour répondre à cette anomalie empirique, des modèles rivaux ont émergé. Certains auteurs défendent le recours à des métriques alternatives telles que le $d_a$ (qui incorpore le ratio des écarts-types) ou l’indice non paramétrique $A’$ (A-prime) développé par Pollack et Norman, lequel ne requiert aucune hypothèse forte quant à la normalité des distributions internes sous-jacentes.
Une controverse plus profonde oppose la théorie de la détection du signal aux modèles à seuil haut (High-Threshold Models) et aux approches par processus duaux en mémoire. Des théoriciens de renom soutiennent que la reconnaissance mnésique ne repose pas sur une évaluation continue et gaussienne de la force de la trace (familiarité), mais fait intervenir un mécanisme binaire tout-ou-rien de rappel contextuel conscient (« recollection »). Selon cette vision dissidente, le d-prime imposerait de force un cadre géométrique continu et artificiel sur des phénomènes mentaux qui seraient, dans leur essence même, discrets et discontinus.
14. Termes connexes et distinctions
Pour éviter toute ambiguïté épistémologique, il est essentiel de distinguer soigneusement le d-prime de concepts voisins fréquemment mobilisés dans la littérature psychométrique et statistique :
- d-prime versus Critère de décision ($c$) : Le d-prime évalue la capacité sensorielle ou mnésique à séparer deux signaux ; le critère $c$ quantifie la propension globale d’un sujet à privilégier une réponse plutôt qu’une autre, indépendamment de son acuité réelle.
- d-prime versus Rapport de vraisemblance bêta ($eta$) : Tandis que $c$ mesure la position du seuil de coupure en unités d’écart-type, $eta$ mesure le rapport direct entre la hauteur de la courbe de densité normale du signal et celle du bruit au point de coupure. Il représente l’optimisation mathématique du gain décisionnel.
- d-prime versus Exactitude brute (Précision globale) : La précision brute calcule simplement le ratio des bonnes réponses (détections correctes + rejets corrects) sur l’ensemble des essais. Elle est hautement vulnérable aux déséquilibres entre la fréquence d’apparition des cibles et des bruits, au contraire du d-prime qui pondère rigoureusement chaque situation.
- d-prime versus A-prime ($A’$) : Le $A’$ est un indice de sensibilité non paramétrique calculé à partir des taux de détection et de fausses alertes sans supposer que les distributions internes soient normales ni de variances égales. Sa valeur oscille entre 0,5 (hasard) et 1,0 (discrimination parfaite).
- d-prime versus d de Cohen : Bien que partageant la même lettre de désignation statistique et une filiation mathématique analogue (normalisation par l’écart-type), le d de Cohen est un indice de taille d’effet mesurant l’amplitude de la différence entre deux groupes indépendants dans une démarche d’inférence statistique, tandis que le d-prime quantifie une sensibilité perceptive ou mnésique au niveau du sujet individuel confronté à du bruit.
15. Résumé et points clés
Le d-prime constitue un pilier fondamental de la psychologie scientifique moderne, dont les points d’ancrage essentiels peuvent se récapituler ainsi :
- Indépendance décisionnelle : Le d-prime isole l’acuité sensorielle ou mnésique réelle de l’observateur en s’affranchissant totalement de ses biais de réponse, de son audace ou de sa réserve cognitive.
- Modélisation distributionnelle : Il repose sur la distance standardisée séparant deux lois gaussiennes de sensations internes : la distribution du bruit pur et celle du signal couplé au bruit.
- Formule canonique : Il se calcule par la différence des scores normés standardisés : $d’ = Z(H) – Z(FA)$, où $H$ est la proportion de détections correctes et $FA$ la proportion de fausses alertes.
- Échelle continue : Une valeur de 0 équivaut à une performance nulle dictée par le hasard pur, les valeurs empiriques oscillant typiquement entre 0 et 3 pour des niveaux croissants de discriminabilité.
- Universalité des applications : De la neuro-imagerie à la mémoire épisodique, de l’ergonomie des cockpits à la lecture d’images radiologiques, il fournit une métrique objective et universelle du traitement de l’information.
Références
Green, D. M., & Swets, J. A. (1966). Signal detection theory and psychophysics. John Wiley & Sons.
Hautus, M. J. (1995). Corrections for extreme proportions and their biasing effects on estimated values of d’. Behavior Research Methods, Instruments, & Computers, 27(1), 46–51. https://doi.org/10.3758/BF03203619
Macmillan, N. A., & Creelman, C. D. (2005). Detection theory: A user’s guide (2nd ed.). Lawrence Erlbaum Associates.
Peterson, W. W., Birdsall, T. G., & Fox, W. C. (1954). The theory of signal detectability. Transactions of the IRE Professional Group on Information Theory, 4(4), 171–212. https://doi.org/10.1109/TIT.1954.1057460
Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922. https://doi.org/10.1162/neco.2008.12-06-420
Stanislaw, H., & Todorov, N. (1999). Calculation of signal detection theory measures. Behavior Research Methods, Instruments, & Computers, 31(1), 137–149. https://doi.org/10.3758/BF03207704
Tanner, W. P., & Swets, J. A. (1954). A decision-making theory of visual detection. Psychological Review, 61(6), 401–409. https://doi.org/10.1037/h0058700