Au carrefour de la psychologie cognitive, de l’intelligence artificielle et des neurosciences fondamentales, la mod\u00e9lisation formelle de l’activit\u00e9 mentale a r\u00e9volutionn\u00e9 notre appr\u00e9hension de la subjectivit\u00e9 et des comportements humains. En transposant des hypoth\u00e8ses th\u00e9oriques abstraites en algorithmes rigoureusement quantifiables, le chercheur contemporain dispose d’un instrument d’une pr\u00e9cision in\u00e9dite pour diss\u00e9quer les m\u00e9canismes sous-jacents de la cognition.<\/p>\n
Un mod\u00e8le computationnel<\/strong> en psychologie et en neurosciences est une formalisation math\u00e9matique et algorithmique con\u00e7ue pour simuler, expliquer et pr\u00e9dire les m\u00e9canismes sous-tendant les processus mentaux, les prises de d\u00e9cision et les comportements observables. En s’appuyant sur des r\u00e8gles de traitement de l’information, il traduit des concepts psychologiques abstraits en \u00e9quations param\u00e9tr\u00e9es pouvant \u00eatre ex\u00e9cut\u00e9es sur un support informatique.<\/p>\n Contrairement aux mod\u00e8les conceptuels purement verbaux, qui d\u00e9crivent les ph\u00e9nom\u00e8nes psychiques \u00e0 l’aide de taxonomies descriptives souvent sujettes \u00e0 des interpr\u00e9tations \u00e9quivoques, le mod\u00e8le computationnel impose une rigueur absolue quant aux op\u00e9rations \u00e9l\u00e9mentaires requises pour passer d’un stimulus environnemental \u00e0 une r\u00e9ponse comportementale ou neuronale. Il sp\u00e9cifie explicitement la dynamique temporelle, les contraintes de capacit\u00e9 et les flux d’informations internes au syst\u00e8me cognitif.<\/p>\n Dans le domaine de la psychologie contemporaine, ces mod\u00e8les servent d’outils d’inf\u00e9rence causale permettant de tester la plausibilit\u00e9 computationnelle d’une th\u00e9orie, d’\u00e9valuer la coh\u00e9rence interne d’une hypoth\u00e8se neurobiologique et de g\u00e9n\u00e9rer des pr\u00e9dictions empiriquement r\u00e9futables au moyen de protocoles exp\u00e9rimentaux hautement standardis\u00e9s.<\/p>\n Le syntagme \u00ab mod\u00e8le computationnel \u00bb puise ses origines dans une double filiation linguistique et \u00e9pist\u00e9mologique. Le substantif \u00ab mod\u00e8le \u00bb d\u00e9rive de l’italien modello<\/em>, lui-m\u00eame issu du latin vulgaire *modellus<\/em>, diminutif du latin classique modulus<\/em>, qui d\u00e9signe une mesure, un moule, un \u00e9talon ou une r\u00e8gle proportionnelle. Historiquement li\u00e9 \u00e0 l’architecture et aux beaux-arts pour d\u00e9signer un objet \u00e0 reproduire ou une repr\u00e9sentation \u00e0 \u00e9chelle r\u00e9duite, le mot a acquis en sciences une acception m\u00e9thodologique : une construction intellectuelle simplifi\u00e9e rendant compte d’un ph\u00e9nom\u00e8ne complexe.<\/p>\n L’adjectif \u00ab computationnel \u00bb provient quant \u00e0 lui de l’anglais computational<\/em>, d\u00e9riv\u00e9 du verbe to compute<\/em>, qui trouve son origine directe dans le latin computare<\/em>, compos\u00e9 du pr\u00e9fixe com-<\/em> (\u00ab ensemble \u00bb) et du verbe putare<\/em> (\u00ab \u00e9valuer \u00bb, \u00ab peser \u00bb, \u00ab compter \u00bb ou \u00ab penser \u00bb). Bien que le terme \u00ab calculatoire \u00bb existe dans la langue fran\u00e7aise, l’adjectif \u00ab computationnel \u00bb s’est largement impos\u00e9 au cours de la seconde moiti\u00e9 du XXe si\u00e8cle pour souligner sp\u00e9cifiquement le traitement symbolique et num\u00e9rique de l’information au sens des sciences informatiques naissantes.<\/p>\n L’introduction formelle du concept dans le lexique acad\u00e9mique francophone co\u00efncide avec l’\u00e9mergence des sciences cognitives<\/a> dans les ann\u00e9es 1970 et 1980, op\u00e9rant une rupture avec la psychologie introspective et le b\u00e9haviorisme strict pour embrasser la m\u00e9taphore de l’esprit comme syst\u00e8me de calcul formel.<\/p>\n Le terme se prononce phon\u00e9tiquement [m\u0254d\u025bl k\u0254\u0303pytasj\u0254n\u025bl] en fran\u00e7ais standard. Il s’agit d’un groupe nominal masculin compos\u00e9 d’un substantif et d’un adjectif qualificatif \u00e9pith\u00e8te. Au pluriel, il adopte la graphie r\u00e9guli\u00e8re \u00ab mod\u00e8les computationnels \u00bb ([m\u0254d\u025bl k\u0254\u0303pytasj\u0254n\u025bl]). Le f\u00e9minin correspondant, bien que plus rare dans ce contexte d’usage pr\u00e9cis, est \u00ab mod\u00e9lisation computationnelle \u00bb ([m\u0254delizasj\u0254\u0303 k\u0254\u0303pytasj\u0254n\u025bl]), souvent pr\u00e9f\u00e9r\u00e9 lorsqu’il s’agit de d\u00e9crire la d\u00e9marche active de conception du mod\u00e8le plut\u00f4t que le mod\u00e8le en tant qu’artefact formel.<\/p>\n Sur le plan morphosyntaxique, l’expression fonctionne comme une unit\u00e9 terminologique sp\u00e9cialis\u00e9e. On l’emploie principalement en position de sujet (\u00ab le mod\u00e8le computationnel pr\u00e9dit une latence accrue \u00bb) ou de compl\u00e9ment circonstanciel ou d’objet (\u00ab analyser les r\u00e9ponses motrices au moyen d’un mod\u00e8le computationnel \u00bb). Dans les publications acad\u00e9miques en langue fran\u00e7aise, il est fr\u00e9quent de trouver l’adjectif appos\u00e9 \u00e0 d’autres substantifs du champ psychologique, tels que \u00ab psychiatrie computationnelle \u00bb, \u00ab neurosciences computationnelles \u00bb ou \u00ab approche computationnelle \u00bb.<\/p>\n La compr\u00e9hension approfondie du mod\u00e8le computationnel exige de saisir l’esprit comme un dispositif informationnel physique engag\u00e9 dans des op\u00e9rations de transformation d’\u00e9tats internes. Contrairement aux formulations verbales qui postulent l’existence de facult\u00e9s telles que l’\u00ab attention \u00bb ou la \u00ab volont\u00e9 \u00bb sans en d\u00e9finir les m\u00e9canismes m\u00e9caniques, le mod\u00e8le computationnel d\u00e9compose le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 en algorithmes finis et d\u00e9terministes ou stochastiques. Il pose comme principe fondamental que toute op\u00e9ration cognitive peut \u00eatre repr\u00e9sent\u00e9e par une fonction math\u00e9matique associant un ensemble d’entr\u00e9es (sensorielles, contextuelles, mn\u00e9siques) \u00e0 un ensemble de sorties (mouvements, d\u00e9cisions, jugements).<\/p>\n L’architecture d’un mod\u00e8le computationnel repose typiquement sur un espace de param\u00e8tres qui repr\u00e9sentent des propri\u00e9t\u00e9s psychologiques ou neurophysiologiques latentes non observables directement. Par exemple, dans une t\u00e2che d’apprentissage par renforcement, un param\u00e8tre comme le \u00ab taux d’apprentissage \u00bb d\u00e9termine la rapidit\u00e9 avec laquelle un individu met \u00e0 jour la valeur subjective d’un stimulus en fonction d’une r\u00e9compense inattendue, tandis que le param\u00e8tre de \u00ab temp\u00e9rature d’exploration \u00bb quantifie la propension \u00e0 choisir des options sous-optimales pour sonder l’environnement. Ainsi, le mod\u00e8le permet de quantifier des traits latents individuels avec une rigueur inaccessible aux simples temps de r\u00e9action bruts ou aux pourcentages d’erreurs.<\/p>\n La port\u00e9e \u00e9pist\u00e9mologique du mod\u00e8le computationnel s’articule traditionnellement autour des trois niveaux d’analyse formul\u00e9s par le neuroscientifique David Marr. Au niveau computationnel<\/em>, le chercheur d\u00e9finit l’objectif de la t\u00e2che cognitive, la logique formelle du probl\u00e8me et les contraintes \u00e9cologiques de son optimisation. Au niveau algorithmique<\/em> ou repr\u00e9sentationnel, le mod\u00e8le d\u00e9taille les structures de donn\u00e9es utilis\u00e9es, les repr\u00e9sentations mentales internes et les \u00e9tapes proc\u00e9durales de transformation de l’information. Enfin, au niveau impl\u00e9mentationnel<\/em> ou physique, le mod\u00e8le s’attache \u00e0 comprendre comment ces algorithmes s’incarnent mat\u00e9riellement dans les circuits neuronaux et les cascades neurochimiques du cerveau.<\/p>\n Les limites conceptuelles du mod\u00e8le computationnel doivent toutefois \u00eatre rigoureusement circonscrites. Un mod\u00e8le n’est jamais une reproduction int\u00e9grale de la r\u00e9alit\u00e9 biologique ; il constitue une abstraction intentionnelle, d\u00e9lib\u00e9r\u00e9ment simplifi\u00e9e, con\u00e7ue pour isoler des relations causales sp\u00e9cifiques. La fronti\u00e8re entre un mod\u00e8le computationnel valide et un simple ajustement statistique (curve fitting<\/em>) r\u00e9side dans la plausibilit\u00e9 th\u00e9orique de ses m\u00e9canismes : un mod\u00e8le l\u00e9gitime doit \u00eatre fond\u00e9 sur des principes de traitement de l’information psychologiquement et biologiquement d\u00e9fendables, capables de g\u00e9n\u00e9ralisation hors des donn\u00e9es ayant servi \u00e0 son \u00e9talonnage initial.<\/p>\n Les pr\u00e9mices de la mod\u00e9lisation computationnelle remontent aux travaux fondateurs d’Alan Turing dans les ann\u00e9es 1930, avec l’introduction de la machine de Turing universelle, d\u00e9montrant th\u00e9oriquement qu’un dispositif m\u00e9canique simple pouvait ex\u00e9cuter n’importe quel calcul math\u00e9matiquement d\u00e9finissable. En 1943, Warren McCulloch et Walter Pitts publient un article s\u00e9minal \u00e9tablissant qu’un r\u00e9seau de neurones simplifi\u00e9s connect\u00e9s de mani\u00e8re logique peut accomplir des fonctions bool\u00e9ennes complexes, jetant ainsi les bases du traitement neuronal de l’information. Cette avanc\u00e9e est rapidement enrichie par les travaux de Norbert Wiener sur la cybern\u00e9tique et la r\u00e9troaction au cours des ann\u00e9es 1940.<\/p>\n La v\u00e9ritable r\u00e9volution computationnelle en psychologie s’op\u00e8re durant la d\u00e9cennie 1950, souvent qualifi\u00e9e de r\u00e9volution cognitive. Des pionniers tels qu’Herbert Simon et Allen Newell con\u00e7oivent des programmes informatiques capables de r\u00e9soudre des th\u00e9or\u00e8mes logiques ou d’imiter des strat\u00e9gies de r\u00e9solution de probl\u00e8mes humains, donnant naissance au cognitivisme symbolique. Simultan\u00e9ment, des psychologues comme George Miller et Donald Broadbent adoptent la th\u00e9orie math\u00e9matique de la communication de Claude Shannon pour mod\u00e9liser la m\u00e9moire de travail et l’attention s\u00e9lective comme des canaux \u00e0 capacit\u00e9 limit\u00e9e soumis \u00e0 des goulots d’\u00e9tranglement informationnels.<\/p>\n Durant les ann\u00e9es 1980, le paradigme conna\u00eet une mutation profonde avec l’av\u00e8nement du connexionnisme et du traitement distribu\u00e9 en parall\u00e8le (PDP), th\u00e9oris\u00e9 notamment par David Rumelhart et James McClelland. D\u00e9laissant les syst\u00e8mes experts r\u00e9gis par des r\u00e8gles logiques explicites, les chercheurs privil\u00e9gient d\u00e9sormais des r\u00e9seaux de n\u0153uds interconnect\u00e9s dont les poids synaptiques se modifient par apprentissage continu, reproduisant de fa\u00e7on spectaculaire les capacit\u00e9s humaines de reconnaissance de formes et d’acquisition linguistique.<\/p>\n \u00c0 partir des ann\u00e9es 2000, un nouveau saut qualitatif s’accomplit sous l’impulsion de l’inf\u00e9rence bay\u00e9sienne et de la th\u00e9orie du contr\u00f4le optimal. Des chercheurs comme Karl Friston introduisent le principe de l’\u00e9nergie libre et le mod\u00e8le du codage pr\u00e9dictif, repositionnant le cerveau comme une machine probabiliste active d\u00e9di\u00e9e \u00e0 minimiser les erreurs de pr\u00e9diction sensorielle. Parall\u00e8lement, l’int\u00e9gration des mod\u00e8les computationnels \u00e0 l’imagerie c\u00e9r\u00e9brale fonctionnelle donne naissance \u00e0 la mod\u00e9lisation neuro-computationnelle contemporaine.<\/p>\n Le socle philosophique et \u00e9pist\u00e9mologique dominant sous-tendant la mod\u00e9lisation computationnelle est le computationnalisme<\/strong>, issu de la philosophie de l’esprit d\u00e9fendue par Hilary Putnam et Jerry Fodor. Selon cette perspective, les \u00e9tats mentaux sont assimilables \u00e0 des \u00e9tats informatiques fonctionnels r\u00e9alis\u00e9s physiquement par le cerveau, de sorte que l’esprit peut \u00eatre rigoureusement \u00e9tudi\u00e9 ind\u00e9pendamment des d\u00e9tails contingents de sa substance biologique brute (principe de r\u00e9alisabilit\u00e9 multiple).<\/p>\n Sur le plan math\u00e9matique, les approches probabilistes constituent le second pilier th\u00e9orique majeur, incarn\u00e9 par le paradigme du cerveau bay\u00e9sien<\/a>. Ce cadre th\u00e9orique postule que la perception, l’apprentissage et l’action s’organisent selon les lois du calcul des probabilit\u00e9s conditionnelles formul\u00e9es par Thomas Bayes. L’organisme int\u00e8gre des croyances a priori (priors<\/em>) issues de son histoire \u00e9volutive ou ontog\u00e9n\u00e9tique avec des preuves sensorielles actuelles (la vraisemblance) pour d\u00e9river des repr\u00e9sentations a posteriori optimis\u00e9es du monde environnant.<\/p>\n Une troisi\u00e8me structure conceptuelle d\u00e9terminante provient de la th\u00e9orie des syst\u00e8mes dynamiques non lin\u00e9aires. Initi\u00e9e par des th\u00e9oriciens comme Esther Thelen et Linda Smith, cette \u00e9cole rejette l’id\u00e9e de repr\u00e9sentations mentales statiques et symboliques au profit d’\u00e9quations diff\u00e9rentielles d\u00e9crivant l’\u00e9volution continue d’attracteurs, de trajectoires et de bifurcations dans un espace des \u00e9tats multidimensionnel. Cette approche s’harmonise particuli\u00e8rement bien avec l’analyse de la coordination motrice, du d\u00e9veloppement perceptivo-moteur et des transitions de phase comportementales.<\/p>\n Enfin, l’apprentissage par renforcement computationnel (Reinforcement Learning<\/em>), structur\u00e9 par Richard Sutton et Andrew Barto, unifie la psychologie behavioriste de l’apprentissage op\u00e9rant avec la th\u00e9orie de la d\u00e9cision et les neurosciences dopaminergiques. Ce cadre formalise math\u00e9matiquement la notion d’erreur de pr\u00e9diction de r\u00e9compense, fournissant un pont computationnel direct entre le comportement d’exploration-exploitation et la modulation phasique des neurones de l’aire tegmentale ventrale et de la substance noire.<\/p>\n L’univers de la mod\u00e9lisation computationnelle englobe une grande vari\u00e9t\u00e9 d’architectures math\u00e9matiques, que l’on peut classifier selon leurs principes formels, leur niveau d’abstraction et leurs objectifs scientifiques :<\/p>\n Pour illustrer concr\u00e8tement l’int\u00e9r\u00eat d’un mod\u00e8le computationnel, consid\u00e9rons le paradigme classique de la t\u00e2che d’apprentissage probabiliste d’inversion. Dans cette \u00e9preuve, un participant doit choisir entre deux symboles abstraits : l’un offre 80 % de chances de gain financier, tandis que l’autre n’en offre que 20 %. Au bout d’un certain nombre d’essais, les contingences sont invers\u00e9es sans avertissement explicite. Les mesures descriptives classiques ne fournissent que le taux d’erreurs globales ou le temps mis pour r\u00e9ajuster le comportement. \u00c0 l’inverse, l’application d’un mod\u00e8le d’apprentissage par renforcement standard (mod\u00e8le de Rescorla-Wagner associ\u00e9 \u00e0 une fonction de d\u00e9cision Softmax<\/em>) permet d’isoler math\u00e9matiquement deux param\u00e8tres latents chez chaque participant :<\/p>\n Un deuxi\u00e8me exemple pr\u00e9\u00e9minent r\u00e9side dans l’utilisation du mod\u00e8le de diffusion stochastique (DDM) pour diss\u00e9quer les m\u00e9canismes du compromis vitesse-pr\u00e9cision (speed-accuracy tradeoff<\/em>). Lorsqu’un exp\u00e9rimentateur ordonne \u00e0 des sujets de r\u00e9pondre le plus vite possible lors d’une t\u00e2che de discrimination de mouvement visuel, le mod\u00e8le de diffusion r\u00e9v\u00e8le que le changement comportemental ne provient pas d’une acc\u00e9l\u00e9ration de la vitesse d’accumulation de l’information (d\u00e9rive, drift rate<\/em>), mais d’un simple rapprochement des fronti\u00e8res de d\u00e9cision (boundary separation<\/em>). Le mod\u00e8le parvient ainsi \u00e0 dissocier la qualit\u00e9 du traitement perceptif pur des ajustements strat\u00e9giques de prudence motrice.<\/p>\n Un troisi\u00e8me cas embl\u00e9matique concerne la mod\u00e9lisation de la m\u00e9moire s\u00e9mantique via des mod\u00e8les d’espace vectoriel s\u00e9mantique (comme Word2Vec ou les architectures bas\u00e9es sur les transformeurs). En calculant la distance cosinus entre des repr\u00e9sentations g\u00e9om\u00e9triques distribu\u00e9es de mots, ces mod\u00e8les simulent fid\u00e8lement les temps de d\u00e9cision lexicale observ\u00e9s chez l’humain confront\u00e9 \u00e0 des amorces s\u00e9mantiques (\u00ab docteur \u00bb facilitant la reconnaissance de \u00ab m\u00e9decin \u00bb), d\u00e9montrant que la structure relationnelle du langage peut \u00e9merger de simples statistiques de cooccurrence contextuelle.<\/p>\n L’\u00e9valuation rigoureuse d’un mod\u00e8le computationnel constitue une discipline statistique exigeante qui d\u00e9passe largement la simple observation d’un coefficient de corr\u00e9lation \u00e9lev\u00e9 entre simulations et observations empiriques. Le processus s’organise autour d’un pipeline m\u00e9thodologique standardis\u00e9 comprenant l’estimation des param\u00e8tres, la s\u00e9lection de mod\u00e8le et la validation crois\u00e9e.<\/p>\n L’estimation des param\u00e8tres latents individuels recourt g\u00e9n\u00e9ralement \u00e0 l’estimation du maximum de vraisemblance (Maximum Likelihood Estimation<\/em>) ou, plus fr\u00e9quemment aujourd’hui, \u00e0 l’estimation bay\u00e9sienne hi\u00e9rarchique (Hierarchical Bayesian Modeling<\/em>). Cette derni\u00e8re approche offre l’avantage capital de mod\u00e9liser simultan\u00e9ment les distributions au niveau individuel et au niveau de la population, limitant les estimations extr\u00eames caus\u00e9es par le bruit de mesure chez des sujets particuliers gr\u00e2ce au ph\u00e9nom\u00e8ne statistique de r\u00e9tr\u00e9cissement bay\u00e9sien (shrinkage<\/em>).<\/p>\n Pour arbitrer entre plusieurs mod\u00e8les concurrents d\u00e9crivant un m\u00eame ph\u00e9nom\u00e8ne cognitif, les chercheurs proc\u00e8dent \u00e0 une s\u00e9lection de mod\u00e8le bas\u00e9e sur le principe de parcimonie (rasoir d’Ockham). Des m\u00e9triques telles que le crit\u00e8re d’information d’Akaike (AIC), le crit\u00e8re d’information bay\u00e9sien (BIC) ou la d\u00e9viance informationnelle p\u00e9nalisent les mod\u00e8les surparam\u00e9tr\u00e9s afin d’\u00e9viter le surajustement (overfitting<\/em>), c’est-\u00e0-dire l’incorporation accidentelle du bruit statistique des donn\u00e9es dans les \u00e9quations du mod\u00e8le.<\/p>\n Enfin, la validit\u00e9 interne d’un mod\u00e8le computationnel n\u00e9cessite imp\u00e9rativement la r\u00e9alisation de tests de r\u00e9cup\u00e9ration de param\u00e8tres (parameter recovery<\/em>) et de r\u00e9cup\u00e9ration de mod\u00e8les (model recovery<\/em>). Ces simulations artificielles v\u00e9rifient que le mod\u00e8le est capable de retrouver avec exactitude des param\u00e8tres connus g\u00e9n\u00e9r\u00e9s par ordinateur et qu’il ne peut \u00eatre confondu avec un mod\u00e8le concurrent alternatif pr\u00e9sentant des m\u00e9canismes dissemblables, garantissant ainsi l’identifiabilit\u00e9 formelle de ses composantes.<\/p>\n La puissance d’explication des mod\u00e8les computationnels a favoris\u00e9 leur essor hors des laboratoires fondamentaux, trouvant des d\u00e9bouch\u00e9s majeurs en sant\u00e9 mentale, en p\u00e9dagogie et en ing\u00e9nierie cognitive :<\/p>\n Au fil des derni\u00e8res d\u00e9cennies, la recherche empirique a confirm\u00e9 la pertinence des mod\u00e8les computationnels en fournissant des preuves neurophysiologiques directes des algorithmes postul\u00e9s. L’un des jalons les plus spectaculaires de cette convergence r\u00e9side dans les travaux pionniers de Wolfram Schultz, Peter Dayan et Read Montague \u00e0 la fin des ann\u00e9es 1990. Leurs enregistrements \u00e9lectrophysiologiques unitaires chez le primate non humain ont r\u00e9v\u00e9l\u00e9 que les d\u00e9charges phasiques des neurones dopaminergiques du m\u00e9senc\u00e9phale correspondent de fa\u00e7on quasi math\u00e9matique au terme d’erreur temporelle de pr\u00e9diction ((delta)) formul\u00e9 par l’algorithme d’apprentissage par diff\u00e9rence temporelle de Sutton et Barto.<\/p>\n Dans le domaine de l’imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle (IRMf), l’introduction de l’\u00ab IRMf computationnelle \u00bb (computational fMRI<\/em>) a profond\u00e9ment m\u00e9tamorphos\u00e9 l’analyse des donn\u00e9es d’activation c\u00e9r\u00e9brale. Au lieu de comparer passivement deux conditions exp\u00e9rimentales contrast\u00e9es, des chercheurs comme Nathaniel Daw et Michael Frank ont d\u00e9montr\u00e9 qu’il \u00e9tait possible d’injecter des variables latentes issues d’un mod\u00e8le computationnel (comme les valeurs d’action estim\u00e9es trial par trial) en tant que r\u00e9gresseurs param\u00e9triques dans le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Ces \u00e9tudes ont \u00e9tabli que le striatum ventral encode fid\u00e8lement l’amplitude des erreurs de pr\u00e9diction, tandis que le cortex pr\u00e9frontal ventrom\u00e9dian refl\u00e8te l’int\u00e9gration des valeurs subjectives attendues.<\/p>\n Les investigations r\u00e9centes men\u00e9es sous la direction de Karl Friston autour du principe d’\u00e9nergie libre<\/a> ont \u00e9galement re\u00e7u des validations empiriques crois\u00e9es en magn\u00e9toenc\u00e9phalographie (MEG) et en \u00e9lectroenc\u00e9phalographie (EEG). Ces travaux d\u00e9montrent que les potentiels \u00e9voqu\u00e9s sensoriels, tels que la n\u00e9gativit\u00e9 de discordance (Mismatch Negativity<\/em> ou MMN), ne refl\u00e8tent pas une simple habituation neuronale passive, mais l’\u00e9mission d’un signal d’erreur de pr\u00e9diction lorsque le stimulus sensoriel entrant diverge des attentes computationnelles projet\u00e9es par les niveaux corticaux sup\u00e9rieurs.<\/p>\n Bien que les architectures computationnelles fondamentales du cerveau soient universelles d’un point de vue phylog\u00e9n\u00e9tique, les param\u00e8tres concrets qui calibrer ces mod\u00e8les sont profond\u00e9ment modul\u00e9s par l’environnement socioculturel des individus. Une critique r\u00e9currente formul\u00e9e \u00e0 l’\u00e9gard de la psychologie cognitive concerne le biais d’\u00e9chantillonnage reposant quasi exclusivement sur des populations dites WEIRD (Western, Educated, Industrialized, Rich, Democratic<\/em>). Ce biais affecte directement les mod\u00e8les computationnels si l’on postule abusivement que les valeurs moyennes de certains param\u00e8tres sont intrins\u00e8ques \u00e0 l’esp\u00e8ce humaine.<\/p>\n Des recherches transculturelles utilisant des mod\u00e8les d’accumulation de d\u00e9cision et d’apprentissage social ont mis en lumi\u00e8re des variations substantielles dans le param\u00e9trage des fonctions d’utilit\u00e9 et des seuils d’\u00e9vidence. Dans des soci\u00e9t\u00e9s valorisant l’interd\u00e9pendance et la coh\u00e9sion collective, les individus manifestent en moyenne des seuils de d\u00e9cision plus \u00e9lev\u00e9s lors de dilemmes moraux ou sociaux, refl\u00e9tant une accumulation d’indices plus prudente et une aversion accrue au risque de r\u00e9probation collective. \u00c0 l’oppos\u00e9, au sein de cultures individualistes, les mod\u00e8les de d\u00e9cision r\u00e9v\u00e8lent une pond\u00e9ration plus agressive des gains personnels imm\u00e9diats au d\u00e9triment des co\u00fbts partag\u00e9s.<\/p>\n En outre, l’application de mod\u00e8les d’inf\u00e9rence bay\u00e9sienne \u00e0 la cognition sociale d\u00e9montre que les priors<\/em> culturels (les croyances a priori sur la probabilit\u00e9 d’un \u00e9v\u00e9nement ou la bienveillance d’un tiers) structurent directement la mani\u00e8re dont les informations ambigu\u00ebs sont trait\u00e9es. Par cons\u00e9quent, un comportement \u00e9tiquet\u00e9 comme computationnellement sous-optimal ou irrationnel selon la norme d’un mod\u00e8le calibr\u00e9 en Occident peut se r\u00e9v\u00e9ler rigoureusement optimal lorsqu’il est r\u00e9\u00e9valu\u00e9 \u00e0 la lumi\u00e8re de la structure des co\u00fbts, des croyances et des contraintes \u00e9cologiques d’un autre \u00e9cosyst\u00e8me culturel.<\/p>\n Malgr\u00e9 sa puissance analytique incontest\u00e9e, la mod\u00e9lisation computationnelle soul\u00e8ve des d\u00e9bats th\u00e9oriques virulents et fait face \u00e0 d’importantes critiques \u00e9pist\u00e9mologiques :<\/p>\n Pour dissiper les ambigu\u00eft\u00e9s r\u00e9currentes dans la litt\u00e9rature, il convient de distinguer pr\u00e9cis\u00e9ment le mod\u00e8le computationnel d’autres concepts m\u00e9thodologiques proches :<\/p>\n Le mod\u00e8le computationnel repr\u00e9sente l’un des piliers m\u00e9thodologiques les plus sophistiqu\u00e9s de la psychologie scientifique et des neurosciences modernes. En fournissant une passerelle quantitative entre les th\u00e9ories psychologiques verbales et les donn\u00e9es physiologiques brutes, il permet de surmonter la dichotomie historique entre esprit et cerveau :<\/p>\n D\u00e9couvrez ce qu’est un mod\u00e8le computationnel en psychologie et neurosciences : d\u00e9finition, fondements th\u00e9oriques, m\u00e9thodes d’\u00e9valuation et applications cliniques.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[459,647,1486],"tags":[5736,2206,41124,22690,11475,93,1808],"class_list":["post-24250","psych_term","type-psych_term","status-publish","hentry","category-neurosciences","category-psychologie-cognitive","category-sciences-cognitives","tag-apprentissage-par-renforcement","tag-cerveau-bayesien","tag-modele-computationnel","tag-neurosciences-computationnelles","tag-psychiatrie-computationnelle","tag-psychologie-cognitive","tag-sciences-cognitives"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/24250","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/24250\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24250"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24250"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24250"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. \u00c9tymologie et origine linguistique<\/h3>\n
3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. \u00c9volution historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, typologies et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
\n
9. Mesure, \u00e9valuation et validation<\/h3>\n
10. Applications et pertinence pratique<\/h3>\n
\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transculturelles<\/h3>\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
\n
14. Termes connexes et distinctions conceptuelles<\/h3>\n
\n
15. Synth\u00e8se et points cl\u00e9s \u00e0 retenir<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n