La psychologie contemporaine et les neurosciences cognitives ont connu une mutation épistémologique profonde avec l’avènement des méthodes de simulation formelle. En cherchant à expliciter les mécanismes latents qui régissent l’esprit et le comportement, les chercheurs ont dépassé les cadres purement descriptifs pour concevoir des représentations algorithmiques rigoureuses. Le modèle computationnel constitue aujourd’hui le pivot théorique et méthodologique de cette démarche, incarnant la rencontre entre l’informatique théorique, la modélisation mathématique et l’étude scientifique des processus mentaux.
Modèle computationnel
1. Définition concise
En psychologie et en sciences cognitives, un modèle computationnel est une formalisation mathématique et algorithmique d’un processus mental ou comportemental, implémentée sous forme de programme informatique afin de simuler, prédire et expliquer les opérations sous-jacentes à la cognition humaine. Contrairement à une simple description verbale ou à une régression statistique purement descriptive, il spécifie explicitement la manière dont l’information est encodée, transformée, stockée et restituée par le système cognitif.
Ce cadre théorique postule que la cognition peut être appréhendée comme un traitement d’information complexe. Le modèle computationnel rend compte des relations de causalité internes en intégrant des variables inobservables directement, telles que les niveaux d’activation mémorielle, les seuils de décision ou les taux d’apprentissage. En générant des prédictions quantitatives testables vis-à-vis de données empiriques (temps de réaction, choix comportementaux, signaux neurophysiologiques), il permet d’évaluer la validité interne d’une hypothèse psychologique avec une rigueur inaccessible aux modèles conceptuels traditionnels.
Sur le plan épistémologique, la modélisation informatique ne se contente pas de reproduire les performances humaines en surface ; elle vise à identifier l’architecture algorithmique et les contraintes mécanistiques qui contraignent et rendent possible l’activité psychique, du traitement perceptif primaire jusqu’au raisonnement abstrait et à la métacognition.
2. Étymologie et origines linguistiques
Le terme « modèle » trouve son origine dans l’italien modello, dérivé du latin vulgaire modellus, lui-même diminutif de modus désignant la mesure, la norme ou la règle. Il a historiquement désigné une maquette, un schéma ou une représentation réduite destinée à servir d’exemple ou de guide d’interprétation pour appréhender un système réel plus vaste.
L’adjectif « computationnel » dérive du bas latin computatio (calcul, compte), issu du verbe computare, formé par l’adjonction du préfixe com- (ensemble) et de putare (évaluer, nettoyer, supputer). Bien que le verbe « compter » ait suivi l’évolution phonétique naturelle de la langue française, l’emprunt savant « computationnel » a été réintroduit au milieu du XXe siècle sous l’influence directe de l’anglais computational, en lien direct avec les travaux fondateurs de l’informatique théorique et de la cybernétique.
L’expression combinée « modèle computationnel » s’est imposée dans le vocabulaire académique francophone au cours des années 1970 et 1980, remplaçant peu à peu les formulations plus vagues comme « simulation sur ordinateur » ou « modèle mécanique de l’esprit », pour marquer l’ancrage de la psychologie dans le paradigme du traitement de l’information.
3. Prononciation et forme grammaticale
La prononciation phonétique standard en français international est /mɔ.dɛl kɔ̃.py.ta.sjɔ.nɛl/. Sur le plan grammatical, il s’agit d’une locution nominale masculine singulière. Au pluriel, elle prend la forme « modèles computationnels » (/mɔ.dɛl kɔ̃.py.ta.sjɔ.nɛl/).
Dans les contextes techniques francophones, on rencontre également des variantes d’usage telles que « modèle informatique de la cognition », « simulation computationnelle » ou « formalisation algorithmique ». Toutefois, « modèle computationnel » demeure la désignation privilégiée dans la littérature scientifique révisée par les pairs pour spécifier les théories formelles de l’architecture cognitive.
4. Explication conceptuelle approfondie
Pour comprendre la portée exacte du modèle computationnel, il convient de se référer à la tripartition des niveaux d’analyse formulée par le neuroscientifique David Marr. Marr a proposé d’analyser tout système de traitement de l’information selon trois strates interdépendantes : le niveau computationnel (qui explicite la finalité de la tâche et la logique formelle de son optimisation), le niveau algorithmique et représentationnel (qui spécifie la nature des représentations mentales et les étapes précises de transformation opérées sur ces représentations), et le niveau de l’implémentation physique ou matérielle (qui décrit le substrat biologique, en l’occurrence les réseaux neuronaux, réalisant ces calculs). Le modèle computationnel en psychologie opère principalement au niveau algorithmique, tout en s’articulant continuellement avec les impératifs fonctionnels du niveau computationnel et les limites biophysiques du niveau de l’implémentation.
Le fonctionnement fondamental d’un modèle computationnel repose sur le concept de causalité algorithmique. Les théories purement verbales de la psychologie souffrent souvent d’homoncules implicites : elles recourent à des entités explicatives (comme « l’attention sélective » ou « l’exécutif central ») qui presupposent déjà l’intelligence qu’elles prétendent expliquer. En imposant une traduction intégrale du modèle dans un code informatique exécutable, la modélisation computationnelle force le chercheur à proscrire tout flou logique : chaque composant doit être instancié de manière univoque, chaque règle de transition d’état doit être mathématiquement définie, et chaque rétroaction doit être quantifiée.
Un autre pan fondamental de cette approche concerne le rôle des variables latentes. Dans une expérience comportementale standard, seules les entrées (stimuli environnementaux) et les sorties (réponses motrices, verbales, temps de réponse) sont directement mesurables. Le modèle computationnel permet d’inférer la dynamique des états internes cachés, tels que l’accumulation graduelle de preuves sensorielles, la mise à jour des probabilités bayésiennes subjectives ou la dégradation temporelle des traces mnésiques. Il jette ainsi un pont mathématique rigoureux entre les observables comportementaux et les dynamiques psychiques inaccessibles à l’observation directe.
Enfin, le modèle computationnel se distingue de l’intelligence artificielle appliquée par sa finalité épistémique. Alors que l’ingénierie en intelligence artificielle cherche à maximiser les performances de calcul ou la précision prédictive sans égard pour la ressemblance avec la biologie humaine, le modèle computationnel en psychologie cherche délibérément à reproduire les limites, les erreurs systématiques, les biais décisionnels, la lenteur relative et la fatigabilité propres à l’appareil cognitif humain. La pertinence d’un modèle se mesure autant à sa capacité à échouer de la même façon qu’un être humain qu’à sa capacité à réussir la tâche étudiée.
5. Développement historique
La genèse du modèle computationnel s’enracine dans les développements croisés de la logique mathématique et de la physiologie au début des années 1940. En 1943, Warren McCulloch et Walter Pitts publient un article fondateur démontrant qu’un réseau de neurones formels idéalisés peut exécuter n’importe quelle fonction logique propositionnelle. Peu après, la formalisation de la machine universelle par Alan Turing et les propositions de John von Neumann sur l’architecture des calculateurs numériques fournissent le terreau conceptuel de la révolution cognitiviste des années 1950.
La conférence de Dartmouth en 1956 et les contributions d’Herbert Simon et Allen Newell marquent le coup d’envoi officiel de la simulation cognitive. Avec la création du Logic Theorist, puis du General Problem Solver (GPS), Newell et Simon démontrent que des opérations sur des symboles discrets peuvent simuler avec exactitude les stratégies de résolution de problèmes mises en œuvre par des sujets humains. Cette perspective donne naissance au paradigme du computationnalisme symbolique, dominant jusqu’au début des années 1980.
La décennie 1980 voit émerger une rupture théorique majeure avec la redécouverte et l’essor du connexionnisme, incarné par David Rumelhart, James McClelland et le groupe de recherche PDP (Parallel Distributed Processing). Rejetant la métaphore d’un ordinateur séquentiel opérant sur des règles rigides, les connexionnistes proposent des modèles en réseaux neuronaux artificiels où l’information est représentée de façon distribuée à travers des poids synaptiques modifiables via des règles d’apprentissage comme la rétropropagation de l’erreur.
Au tournant du XXIe siècle, la modélisation cognitive intègre de façon prépondérante le formalisme bayésien et la théorie de la décision statistique, sous l’impulsion de chercheurs tels que Joshua Tenenbaum et Thomas Griffiths. Simultanément, Karl Friston développe le cadre de l’inférence active et du cerveau prédictif, conférant aux modèles computationnels une envergure unificatrice allant de la perception visuelle aux psychopathologies complexes.
6. Fondements théoriques
Les modèles computationnels reposent sur plusieurs grands cadres théoriques qui structurent leur conception et orientent leur pouvoir explicatif :
Le paradigme symbolique ou classique repose sur l’hypothèse du système de symboles physiques énoncée par Newell et Simon. Dans cette approche, la pensée consiste en la manipulation de représentations propositionnelles discrètes par l’application de règles formelles (systèmes de production du type « SI condition ALORS action »). Ce paradigme excelle dans la modélisation du raisonnement déductif, de la planification et des conduites linguistiques hautement structurées.
Le paradigme connexionniste et sous-symbolique conçoit l’esprit comme un système hautement parallèle et distribué, inspiré de la microstructure cérébrale. Les représentations n’y sont pas des symboles localisés, mais des états d’activation globaux d’unités simples interconnectées. L’apprentissage ne découle pas de l’acquisition de règles abstraites, mais du réglage continu de la force synaptique en fonction de l’expérience sensorielle. Ce cadre s’avère particulièrement fécond pour rendre compte de la reconnaissance de formes, de la catégorisation floue et des phénomènes de dégradation gracieuse en neuropsychologie.
Le paradigme bayésien appréhende le cerveau comme un organe d’inférence probabiliste optimal agissant en contexte d’incertitude. En appliquant le théorème de Bayes, le système cognitif combinerait continuellement des croyances antérieures (connaissances a priori) avec les signaux sensoriels actuels (vraisemblance) pour calculer une distribution a posteriori. Cette théorie permet de formaliser de manière unifiée la façon dont l’esprit résout les problèmes inverses inhérents à la perception et à l’apprentissage causal.
Enfin, le paradigme des systèmes dynamiques non linéaires rejette la primauté des représentations statiques au profit d’équations différentielles décrivant la trajectoire temporelle continue du système dans un espace d’états. Lié aux approches de la cognition incarnée et située, il met l’accent sur le couplage dynamique ininterrompu entre l’agent, son corps et son environnement physique.
7. Composantes clés, typologies et dimensions
Afin de classifier et de concevoir un modèle computationnel en psychologie, plusieurs dimensions structurelles et mécanistiques doivent être distinguées :
- Architectures cognitives globales : Systèmes intégrés à large échelle (comme ACT-R ou SOAR) qui unifient sous un même jeu de principes informatiques la mémoire de travail, la mémoire déclarative, les processus procéduraux et les modules sensorimoteurs.
- Modèles d’accumulation séquentielle de preuves : Cadres stochastiques tels que le modèle de diffusion de Ratcliff (Drift-Diffusion Model), qui décomposent le temps de prise de décision binaire en un taux de dérive (vitesse d’accumulation d’information), un seuil de décision (conservatisme cognitif) et un temps non décisionnel (encodage et exécution motrice).
- Modèles d’apprentissage par renforcement computationnel : Algorithmes (tels que la différence temporelle ou l’algorithme Q-learning) modélisant la façon dont les agents mettent à jour la valeur subjective des actions grâce à l’erreur de prédiction de récompense, en lien étroit avec la dynamique dopaminergique.
- Modèles de réseaux de neurones récurrents et profonds : Architectures multicouches capables d’extraire des invariants statistiques à partir de données complexes, utilisées pour simuler les voies ventrales de la vision ou l’organisation sémantique du langage.
- Modèles d’échantillonnage bayésien et d’inférence active : Algorithmes modélisant la minimisation de l’énergie libre variationnelle et la réduction active de l’incertitude par exploration et exploitation environnementale.
8. Exemples et illustrations concrètes
Pour illustrer la mise en pratique de la modélisation computationnelle, prenons l’exemple classique de la reconnaissance lexicale visuelle. Les théories verbales postulent qu’un lecteur confronté à un mot active simultanément des représentations visuelles, phonologiques et sémantiques. Le modèle computationnel d’activation interactive développé par McClelland et Rumelhart explicite ce processus au millième de seconde près : il est constitué de trois niveaux de nœuds neuronaux formels (caractéristiques visuelles, lettres, mots) connectés par des liens facilitateurs et inhibiteurs bidirectionnels. Le modèle simule avec exactitude l’« effet de supériorité du mot » (le fait qu’une lettre est identifiée plus rapidement lorsqu’elle est insérée dans un mot réel que dans une suite de lettres aléatoires) grâce au feedback top-down réentrant du niveau des mots vers celui des lettres.
Un autre exemple saisissant provient de l’étude de l’impulsivité et des prises de décision risquées. Dans une tâche de jeu où un individu doit choisir entre une petite récompense immédiate et une récompense différée plus substantielle, les approches traditionnelles se contentent de constater un déficit de patience. Un modèle d’actualisation temporelle hyperbolique computationnel permet d’extraire mathématiquement un paramètre subjectif de dévaluation temporelle propre à chaque individu. La comparaison computationnelle permet de déterminer si l’impulsivité observée découle d’une perception déformée du temps, d’une sensibilité exacerbée à l’immédiateté ou d’une défaillance dans le maintien de la valeur attendue en mémoire de travail.
Dans le domaine de la psychopathologie, les modèles computationnels de la schizophrénie apportent un éclairage inédit sur les hallucinations auditives. Formulées dans le cadre du codage prédictif, ces hallucinations ne sont plus conçues comme des perceptions spontanées aberrantes, mais comme la conséquence d’un déséquilibre algorithmique : une précision excessive accordée aux croyances a priori (top-down) par rapport aux signaux d’erreur sensoriels entrants (bottom-up). L’esprit en vient ainsi à écraser l’entrée sensorielle réelle au profit d’attentes internes surpuissantes, générant l’expérience perceptuelle concrète d’une voix en l’absence de toute vibration sonore externe.
9. Mesure, évaluation et validation empirique
La validation empirique d’un modèle computationnel répond à une démarche méthodologique hautement formalisée, distincte de l’inférence statistique usuelle :
La première étape réside dans l’estimation des paramètres. À l’aide de méthodes d’optimisation numérique comme le maximum de vraisemblance ou l’inférence bayésienne hiérarchique (méthodes MCMC), le modèle est ajusté aux données comportementales brutes observées chez chaque participant. L’ajustement hiérarchique s’avère particulièrement puissant, car il permet d’estimer simultanément les paramètres au niveau individuel tout en exploitant les contraintes statistiques du groupe, prévenant ainsi les estimations aberrantes dues au bruit de mesure.
La deuxième étape concerne la comparaison formelle de modèles concurrents. Pour déterminer quel cadre théorique rend le mieux compte des données réelles, les chercheurs évaluent l’adéquation du modèle tout en pénalisant sa complexité intrinsèque (nombre de paramètres libres). Des indices formels tels que le critère d’information d’Akaike (AIC), le critère d’information bayésien (BIC) ou le calcul de la vraisemblance marginale (évidence du modèle) sont employés pour éviter le surapprentissage (overfitting).
La troisième étape indispensable est celle de la récupération de paramètres (parameter recovery) et de la validation prédictive (generative model simulation). Une fois les paramètres estimés, le chercheur doit générer des données synthétiques à partir du modèle et vérifier deux aspects cruciaux : d’une part, que le processus d’ajustement est capable de réidentifier sans biais les paramètres initiaux dans ces données simulées ; d’autre part, que les données simulées reproduisent fidèlement les patterns qualitatifs et quantitatifs observés dans les données humaines, y compris sur des conditions expérimentales nouvelles non incluses lors de l’étalonnage initial.
10. Applications cliniques et pratiques
L’essor de la psychiatrie computationnelle représente l’application clinique la plus féconde de ces modèles. La nosographie psychiatrique classique (DSM-5, CIM-11) repose sur le regroupement phénoménologique de symptômes cliniques hétérogènes, créant des catégories diagnostiques artificielles et un chevauchement syndromique élevé. Les modèles computationnels permettent d’identifier des dysfonctionnements computationnels élémentaires — des endophénotypes algorithmiques — qui transcendent les frontières diagnostiques traditionnelles. Par exemple, un dysfonctionnement de la mise à jour des croyances peut être quantifié objectivement chez des patients souffrant de trouble obsessionnel-compulsif, de dépendance aux substances ou de paranoïa, autorisant ainsi une stratification phénotypique basée sur des mécanismes causaux réels plutôt que sur la symptomatologie subjective.
En neuropsychologie et en réhabilitation cognitive, les architectures computationnelles permettent de cartographier avec exactitude les modules préservés et endommagés suite à un accident vasculaire cérébral ou un traumatisme crânien. En désactivant virtuellement certaines composantes algorithmiques du modèle d’un patient sain pour reproduire le profil lésionnel spécifique du patient cérébrolésé, les cliniciens peuvent simuler les trajectoires de récupération potentielles et concevoir des programmes d’entraînement cognitif personnalisés ciblant exclusivement les voies de compensation les plus robustes.
Sur le versant éducatif et ergonomique, les modèles computationnels d’apprentissage sont au cœur des systèmes de tutorat intelligents et de la conception des interfaces humain-machine (IHM). En intégrant un modèle prédictif de la charge cognitive et de l’oubli de l’utilisateur, ces dispositifs adaptent le rythme de présentation du matériel didactique, anticipent les points de décrochage attentionnel et optimisent l’apprentissage à long terme.
11. Recherche empirique et données probantes
La littérature en sciences cognitives regorge de validations empiriques décisives apportées par la modélisation computationnelle. L’un des jalons les plus emblématiques est la confirmation du rôle des neurones dopaminergiques de l’aire tegmentale ventrale dans l’encodage de l’erreur de prédiction de récompense. Initialement prédite par le modèle mathématique de Rescorla-Wagner, puis formalisée dans l’algorithme computationnel de différence temporelle de Sutton et Barto, cette hypothèse a été rigoureusement corroborée par les enregistrements électrophysiologiques de Wolfram Schultz chez le primate non humain, avant d’être transposée en imagerie cérébrale fonctionnelle chez l’homme par des chercheurs tels que Nathaniel Daw et Peter Dayan.
Dans le domaine des neurosciences décisionnelles, les travaux de Michael Frank et de ses collègues ont illustré comment un modèle computationnel de réseau de neurones mimant les circuits corticostriataux peut expliquer les déficits d’apprentissage chez les patients atteints de la maladie de Parkinson. Leurs simulations ont permis de prédire théoriquement — puis de valider empiriquement chez les patients sous ou hors traitement dopaminergique — une double dissociation : la déplétion en dopamine altère sélectivement l’apprentissage par renforcement positif sans dégrader l’apprentissage par évitement des punitions, tandis que l’administration excessive de L-DOPA inverse exactement ce pattern.
Par ailleurs, les recherches de Roger Ratcliff sur le modèle de diffusion ont résolu de nombreuses contradictions apparentes dans les études sur le vieillissement cognitif. Alors que les données brutes indiquaient un ralentissement systématique des temps de réponse chez les personnes âgées, souvent interprété comme un déclin général de la vitesse de traitement neural, le modèle computationnel a mis en évidence que ce ralentissement découle principalement d’un ajustement délibéré des critères de décision : les adultes âgés augmentent drastiquement leur seuil de preuve pour préserver la précision de leurs réponses au détriment de la vitesse.
12. Considérations culturelles et interculturelles
L’universalité présumée des modèles computationnels fait l’objet de réévaluations critiques au sein de la psychologie interculturelle contemporaine. Une grande majorité des modèles ont été calibrés à partir de cohortes restreintes, composées d’étudiants issus de sociétés occidentales, éduquées, industrialisées, riches et démocratiques (dites populations WEIRD). Or, les processus d’intégration de l’information et d’inférence probabiliste sont perméables aux cadres culturels de référence.
Des études empiriques ont démontré que les paramètres libres de certains modèles — comme le taux d’actualisation temporelle, la sensibilité au risque ou la pondération des indices contextuels — varient substantiellement selon les environnements culturels et socio-économiques. Dans les cultures favorisant une pensée holistique, les modèles computationnels de perception visuelle doivent intégrer une plus forte connectivité latérale pour refléter la prise en compte accrue des éléments de l’arrière-plan, comparativement aux contextes individualistes caractérisés par un traitement analytique focalisé sur l’objet central.
De surcroît, la modélisation des interactions sociales (théorie des jeux computationnelle) révèle que les fonctions d’utilité intégrant des notions d’équité, d’altruisme ou de punition altruiste sont profondément modulées par les normes collectives locales. Tout modèle se prétendant universel sans avoir été testé au sein d’échantillons culturels diversifiés risque d’ériger des particularités comportementales locales au rang de principes invariants de la nature humaine.
13. Critiques, controverses et limites épistémologiques
En dépit de sa rigueur indéniable, la modélisation computationnelle suscite des débats épistémologiques vifs et fait face à plusieurs écueils méthodologiques bien identifiés :
Le premier écueil concerne la sous-détermination de la théorie par les données et le paradoxe de Bonini. Ce dernier énonce qu’à mesure qu’un modèle computationnel devient plus complexe et fidèle à la réalité biologique, il devient aussi difficile à comprendre que le phénomène lui-même. Par ailleurs, des architectures internes profondément divergentes peuvent produire des données comportementales strictement identiques en surface (problème d’équifinalité). La capacité d’un modèle à reproduire des données ne garantit en rien que le cerveau opère selon ses algorithmes.
Une seconde controverse majeure réside dans le problème de la boîte noire au sein des modèles fondés sur les réseaux de neurones profonds contemporains. Bien que ces systèmes réalisent des prouesses phénoménales pour classifier des stimuli complexes, leur opacité interne est telle qu’ils échouent parfois à fournir une explication intelligible des mécanismes psychologiques réels, substituant un mystère computationnel inintelligible au mystère de l’esprit humain.
Enfin, sur le plan philosophique, des penseurs comme John Searle, à travers l’argument de la Chambre chinoise, ont soutenu que la manipulation purement syntaxique de symboles informatiques ne saurait être constitutive d’une véritable sémantique ou d’une conscience phénoménale. Le modèle computationnel est également critiqué par les tenants de la cognition incarnée et énactive pour sa tendance à isoler le cerveau de sa corporéité biologique et de son couplage physique avec le monde.
14. Termes associés et distinctions conceptuelles
Pour éviter toute ambiguïté terminologique, il convient de distinguer précisément le modèle computationnel d’autres concepts connexes de la discipline :
- Modèle computationnel vs Simulation informatique : Une simulation peut être une simple reproduction numérique phénoménologique d’une dynamique sans prétention explicative des mécanismes internes, alors que le modèle computationnel postule une homologie structurelle et algorithmique avec les étapes réelles du traitement cognitif.
- Modèle computationnel vs Modèle statistique standard : Un modèle statistique (comme l’ANOVA ou la régression linéaire) quantifie des corrélations entre variables mesurées sans proposer de mécanisme sous-jacent, tandis que le modèle computationnel propose une théorie mécanistique générative capable de produire de nouvelles données par causalité interne.
- Modèle computationnel vs Intelligence artificielle : L’intelligence artificielle d’ingénierie cherche l’efficacité algorithmique brute pour résoudre un problème pratique, sans se soucier des limites psychologiques humaines ; le modèle computationnel en psychologie a pour objectif exclusif de comprendre et de refléter fidèlement le fonctionnement, les biais et les failles de l’esprit humain.
- Modèle symbolique vs Modèle connexionniste : Le premier manipule des règles formelles sur des représentations propositionnelles explicites ; le second opère par émergence statistique distribuée au sein d’un maillage d’unités simples interconnectées.
15. Résumé et points clés
Le modèle computationnel constitue une avancée méthodologique et épistémologique majeure pour la psychologie moderne et les neurosciences cognitives. En traduisant des théories conceptuelles sous la forme d’algorithmes et de formulations mathématiques explicites, il élimine les ambiguïtés inhérentes aux descriptions verbales et soumet les hypothèses relatives aux processus mentaux à des tests empiriques d’une rigueur absolue.
Articulé autour des niveaux d’analyse de Marr, il opère principalement au niveau algorithmique et représentationnel pour élucider comment l’esprit encode, traite et restitue l’information. Qu’il s’inscrive dans une logique symbolique, connexionniste, bayésienne ou dynamique, le modèle extrait des variables latentes inobservables et quantifie la dynamique des états cognitifs internes.
Ses applications dépassent désormais le champ théorique de la psychologie cognitive fondamentale pour transformer la clinique via la psychiatrie computationnelle, la rééducation neuropsychologique, la pédagogie adaptative et l’ergonomie numérique. Malgré des limites épistémologiques réelles liées à la complexité des modèles et au risque de sous-détermination, la modélisation computationnelle demeure l’un des piliers les plus puissants pour percer la complexité des architectures de l’esprit humain.
Références
- Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company. https://mitpress.mit.edu/9780262514620/vision/
- McClelland, J. L., & Rumelhart, D. E. (1981). An interactive activation model of context effects in letter perception: Part 1. An account of basic findings. Psychological Review, 88(5), 375–407. https://doi.org/10.1037/0033-295X.88.5.375
- Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126. https://doi.org/10.1145/360018.360022
- 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
- Wang, X. J., & Krystal, J. H. (2014). Computational psychiatry. Neuron, 84(3), 638–654. https://doi.org/10.1016/j.neuron.2014.10.018