La psychologie contemporaine et les neurosciences cognitives ont connu une mutation \u00e9pist\u00e9mologique profonde avec l’av\u00e8nement des m\u00e9thodes de simulation formelle. En cherchant \u00e0 expliciter les m\u00e9canismes latents qui r\u00e9gissent l’esprit et le comportement, les chercheurs ont d\u00e9pass\u00e9 les cadres purement descriptifs pour concevoir des repr\u00e9sentations algorithmiques rigoureuses. Le mod\u00e8le computationnel constitue aujourd’hui le pivot th\u00e9orique et m\u00e9thodologique de cette d\u00e9marche, incarnant la rencontre entre l’informatique th\u00e9orique, la mod\u00e9lisation math\u00e9matique et l’\u00e9tude scientifique des processus mentaux.<\/p>\n
En psychologie et en sciences cognitives<\/a>, un mod\u00e8le computationnel est une formalisation math\u00e9matique et algorithmique d’un processus mental ou comportemental, impl\u00e9ment\u00e9e sous forme de programme informatique afin de simuler, pr\u00e9dire et expliquer les op\u00e9rations sous-jacentes \u00e0 la cognition humaine. Contrairement \u00e0 une simple description verbale ou \u00e0 une r\u00e9gression statistique purement descriptive, il sp\u00e9cifie explicitement la mani\u00e8re dont l’information est encod\u00e9e, transform\u00e9e, stock\u00e9e et restitu\u00e9e par le syst\u00e8me cognitif.<\/p>\n Ce cadre th\u00e9orique postule que la cognition peut \u00eatre appr\u00e9hend\u00e9e comme un traitement d’information complexe. Le mod\u00e8le computationnel rend compte des relations de causalit\u00e9 internes en int\u00e9grant des variables inobservables directement, telles que les niveaux d’activation m\u00e9morielle, les seuils de d\u00e9cision ou les taux d’apprentissage. En g\u00e9n\u00e9rant des pr\u00e9dictions quantitatives testables vis-\u00e0-vis de donn\u00e9es empiriques (temps de r\u00e9action, choix comportementaux, signaux neurophysiologiques), il permet d’\u00e9valuer la validit\u00e9 interne d’une hypoth\u00e8se psychologique avec une rigueur inaccessible aux mod\u00e8les conceptuels traditionnels.<\/p>\n Sur le plan \u00e9pist\u00e9mologique, la mod\u00e9lisation informatique ne se contente pas de reproduire les performances humaines en surface ; elle vise \u00e0 identifier l’architecture algorithmique et les contraintes m\u00e9canistiques qui contraignent et rendent possible l’activit\u00e9 psychique, du traitement perceptif primaire jusqu’au raisonnement abstrait et \u00e0 la m\u00e9tacognition.<\/p>\n Le terme \u00ab mod\u00e8le \u00bb trouve son origine dans l’italien modello<\/em>, d\u00e9riv\u00e9 du latin vulgaire modellus<\/em>, lui-m\u00eame diminutif de modus<\/em> d\u00e9signant la mesure, la norme ou la r\u00e8gle. Il a historiquement d\u00e9sign\u00e9 une maquette, un sch\u00e9ma ou une repr\u00e9sentation r\u00e9duite destin\u00e9e \u00e0 servir d’exemple ou de guide d’interpr\u00e9tation pour appr\u00e9hender un syst\u00e8me r\u00e9el plus vaste.<\/p>\n L’adjectif \u00ab computationnel \u00bb d\u00e9rive du bas latin computatio<\/em> (calcul, compte), issu du verbe computare<\/em>, form\u00e9 par l’adjonction du pr\u00e9fixe com-<\/em> (ensemble) et de putare<\/em> (\u00e9valuer, nettoyer, supputer). Bien que le verbe \u00ab compter \u00bb ait suivi l’\u00e9volution phon\u00e9tique naturelle de la langue fran\u00e7aise, l’emprunt savant \u00ab computationnel \u00bb a \u00e9t\u00e9 r\u00e9introduit au milieu du XXe si\u00e8cle sous l’influence directe de l’anglais computational<\/em>, en lien direct avec les travaux fondateurs de l’informatique th\u00e9orique et de la cybern\u00e9tique.<\/p>\n L’expression combin\u00e9e \u00ab mod\u00e8le computationnel \u00bb s’est impos\u00e9e dans le vocabulaire acad\u00e9mique francophone au cours des ann\u00e9es 1970 et 1980, rempla\u00e7ant peu \u00e0 peu les formulations plus vagues comme \u00ab simulation sur ordinateur \u00bb ou \u00ab mod\u00e8le m\u00e9canique de l’esprit \u00bb, pour marquer l’ancrage de la psychologie dans le paradigme du traitement de l’information.<\/p>\n La prononciation phon\u00e9tique standard en fran\u00e7ais international est \/m\u0254.d\u025bl k\u0254\u0303.py.ta.sj\u0254.n\u025bl\/. Sur le plan grammatical, il s’agit d’une locution nominale masculine singuli\u00e8re. Au pluriel, elle prend la forme \u00ab mod\u00e8les computationnels \u00bb (\/m\u0254.d\u025bl k\u0254\u0303.py.ta.sj\u0254.n\u025bl\/).<\/p>\n Dans les contextes techniques francophones, on rencontre \u00e9galement des variantes d’usage telles que \u00ab mod\u00e8le informatique de la cognition \u00bb, \u00ab simulation computationnelle \u00bb ou \u00ab formalisation algorithmique \u00bb. Toutefois, \u00ab mod\u00e8le computationnel \u00bb demeure la d\u00e9signation privil\u00e9gi\u00e9e dans la litt\u00e9rature scientifique r\u00e9vis\u00e9e par les pairs pour sp\u00e9cifier les th\u00e9ories formelles de l’architecture cognitive.<\/p>\n Pour comprendre la port\u00e9e exacte du mod\u00e8le computationnel, il convient de se r\u00e9f\u00e9rer \u00e0 la tripartition des niveaux d’analyse formul\u00e9e par le neuroscientifique David Marr. Marr a propos\u00e9 d’analyser tout syst\u00e8me de traitement de l’information selon trois strates interd\u00e9pendantes : le niveau computationnel (qui explicite la finalit\u00e9 de la t\u00e2che et la logique formelle de son optimisation), le niveau algorithmique et repr\u00e9sentationnel (qui sp\u00e9cifie la nature des repr\u00e9sentations mentales et les \u00e9tapes pr\u00e9cises de transformation op\u00e9r\u00e9es sur ces repr\u00e9sentations), et le niveau de l’impl\u00e9mentation physique ou mat\u00e9rielle (qui d\u00e9crit le substrat biologique, en l’occurrence les r\u00e9seaux neuronaux, r\u00e9alisant ces calculs). Le mod\u00e8le computationnel en psychologie op\u00e8re principalement au niveau algorithmique, tout en s’articulant continuellement avec les imp\u00e9ratifs fonctionnels du niveau computationnel et les limites biophysiques du niveau de l’impl\u00e9mentation.<\/p>\n Le fonctionnement fondamental d’un mod\u00e8le computationnel repose sur le concept de causalit\u00e9 algorithmique. Les th\u00e9ories purement verbales de la psychologie souffrent souvent d’homoncules implicites : elles recourent \u00e0 des entit\u00e9s explicatives (comme \u00ab l’attention s\u00e9lective \u00bb ou \u00ab l’ex\u00e9cutif central \u00bb) qui presupposent d\u00e9j\u00e0 l’intelligence qu’elles pr\u00e9tendent expliquer. En imposant une traduction int\u00e9grale du mod\u00e8le dans un code informatique ex\u00e9cutable, la mod\u00e9lisation computationnelle force le chercheur \u00e0 proscrire tout flou logique : chaque composant doit \u00eatre instanci\u00e9 de mani\u00e8re univoque, chaque r\u00e8gle de transition d’\u00e9tat doit \u00eatre math\u00e9matiquement d\u00e9finie, et chaque r\u00e9troaction doit \u00eatre quantifi\u00e9e.<\/p>\n Un autre pan fondamental de cette approche concerne le r\u00f4le des variables latentes. Dans une exp\u00e9rience comportementale standard, seules les entr\u00e9es (stimuli environnementaux) et les sorties (r\u00e9ponses motrices, verbales, temps de r\u00e9ponse) sont directement mesurables. Le mod\u00e8le computationnel permet d’inf\u00e9rer la dynamique des \u00e9tats internes cach\u00e9s, tels que l’accumulation graduelle de preuves sensorielles, la mise \u00e0 jour des probabilit\u00e9s bay\u00e9siennes subjectives ou la d\u00e9gradation temporelle des traces mn\u00e9siques. Il jette ainsi un pont math\u00e9matique rigoureux entre les observables comportementaux et les dynamiques psychiques inaccessibles \u00e0 l’observation directe.<\/p>\n Enfin, le mod\u00e8le computationnel se distingue de l’intelligence artificielle appliqu\u00e9e par sa finalit\u00e9 \u00e9pist\u00e9mique. Alors que l’ing\u00e9nierie en intelligence artificielle cherche \u00e0 maximiser les performances de calcul ou la pr\u00e9cision pr\u00e9dictive sans \u00e9gard pour la ressemblance avec la biologie humaine, le mod\u00e8le computationnel en psychologie cherche d\u00e9lib\u00e9r\u00e9ment \u00e0 reproduire les limites, les erreurs syst\u00e9matiques, les biais d\u00e9cisionnels, la lenteur relative et la fatigabilit\u00e9 propres \u00e0 l’appareil cognitif humain. La pertinence d’un mod\u00e8le se mesure autant \u00e0 sa capacit\u00e9 \u00e0 \u00e9chouer de la m\u00eame fa\u00e7on qu’un \u00eatre humain qu’\u00e0 sa capacit\u00e9 \u00e0 r\u00e9ussir la t\u00e2che \u00e9tudi\u00e9e.<\/p>\n La gen\u00e8se du mod\u00e8le computationnel s’enracine dans les d\u00e9veloppements crois\u00e9s de la logique math\u00e9matique et de la physiologie au d\u00e9but des ann\u00e9es 1940. En 1943, Warren McCulloch et Walter Pitts publient un article fondateur d\u00e9montrant qu’un r\u00e9seau de neurones formels id\u00e9alis\u00e9s peut ex\u00e9cuter n’importe quelle fonction logique propositionnelle. Peu apr\u00e8s, la formalisation de la machine universelle par Alan Turing et les propositions de John von Neumann sur l’architecture des calculateurs num\u00e9riques fournissent le terreau conceptuel de la r\u00e9volution cognitiviste des ann\u00e9es 1950.<\/p>\n La conf\u00e9rence 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 cr\u00e9ation du Logic Theorist<\/em>, puis du General Problem Solver<\/em> (GPS), Newell et Simon d\u00e9montrent que des op\u00e9rations sur des symboles discrets peuvent simuler avec exactitude les strat\u00e9gies de r\u00e9solution de probl\u00e8mes mises en \u0153uvre par des sujets humains. Cette perspective donne naissance au paradigme du computationnalisme symbolique, dominant jusqu’au d\u00e9but des ann\u00e9es 1980.<\/p>\n La d\u00e9cennie 1980 voit \u00e9merger une rupture th\u00e9orique majeure avec la red\u00e9couverte et l’essor du connexionnisme<\/a>, incarn\u00e9 par David Rumelhart, James McClelland et le groupe de recherche PDP (Parallel Distributed Processing<\/em>). Rejetant la m\u00e9taphore d’un ordinateur s\u00e9quentiel op\u00e9rant sur des r\u00e8gles rigides, les connexionnistes proposent des mod\u00e8les en r\u00e9seaux neuronaux artificiels o\u00f9 l’information est repr\u00e9sent\u00e9e de fa\u00e7on distribu\u00e9e \u00e0 travers des poids synaptiques modifiables via des r\u00e8gles d’apprentissage comme la r\u00e9tropropagation de l’erreur.<\/p>\n Au tournant du XXIe si\u00e8cle, la mod\u00e9lisation cognitive int\u00e8gre de fa\u00e7on pr\u00e9pond\u00e9rante le formalisme bay\u00e9sien et la th\u00e9orie de la d\u00e9cision statistique, sous l’impulsion de chercheurs tels que Joshua Tenenbaum et Thomas Griffiths. Simultan\u00e9ment, Karl Friston d\u00e9veloppe le cadre de l’inf\u00e9rence active et du cerveau pr\u00e9dictif, conf\u00e9rant aux mod\u00e8les computationnels une envergure unificatrice allant de la perception visuelle aux psychopathologies complexes.<\/p>\n Les mod\u00e8les computationnels reposent sur plusieurs grands cadres th\u00e9oriques qui structurent leur conception et orientent leur pouvoir explicatif :<\/p>\n Le paradigme symbolique ou classique repose sur l’hypoth\u00e8se du syst\u00e8me de symboles physiques \u00e9nonc\u00e9e par Newell et Simon. Dans cette approche, la pens\u00e9e consiste en la manipulation de repr\u00e9sentations propositionnelles discr\u00e8tes par l’application de r\u00e8gles formelles (syst\u00e8mes de production du type \u00ab SI condition ALORS action \u00bb). Ce paradigme excelle dans la mod\u00e9lisation du raisonnement d\u00e9ductif, de la planification et des conduites linguistiques hautement structur\u00e9es.<\/p>\n Le paradigme connexionniste et sous-symbolique con\u00e7oit l’esprit comme un syst\u00e8me hautement parall\u00e8le et distribu\u00e9, inspir\u00e9 de la microstructure c\u00e9r\u00e9brale. Les repr\u00e9sentations n’y sont pas des symboles localis\u00e9s, mais des \u00e9tats d’activation globaux d’unit\u00e9s simples interconnect\u00e9es. L’apprentissage ne d\u00e9coule pas de l’acquisition de r\u00e8gles abstraites, mais du r\u00e9glage continu de la force synaptique en fonction de l’exp\u00e9rience sensorielle. Ce cadre s’av\u00e8re particuli\u00e8rement f\u00e9cond pour rendre compte de la reconnaissance de formes, de la cat\u00e9gorisation floue et des ph\u00e9nom\u00e8nes de d\u00e9gradation gracieuse en neuropsychologie.<\/p>\n Le paradigme bay\u00e9sien appr\u00e9hende le cerveau comme un organe d’inf\u00e9rence probabiliste optimal agissant en contexte d’incertitude. En appliquant le th\u00e9or\u00e8me de Bayes, le syst\u00e8me cognitif combinerait continuellement des croyances ant\u00e9rieures (connaissances a priori) avec les signaux sensoriels actuels (vraisemblance) pour calculer une distribution a posteriori. Cette th\u00e9orie permet de formaliser de mani\u00e8re unifi\u00e9e la fa\u00e7on dont l’esprit r\u00e9sout les probl\u00e8mes inverses inh\u00e9rents \u00e0 la perception et \u00e0 l’apprentissage causal.<\/p>\n Enfin, le paradigme des syst\u00e8mes dynamiques non lin\u00e9aires rejette la primaut\u00e9 des repr\u00e9sentations statiques au profit d’\u00e9quations diff\u00e9rentielles d\u00e9crivant la trajectoire temporelle continue du syst\u00e8me dans un espace d’\u00e9tats. Li\u00e9 aux approches de la cognition incarn\u00e9e et situ\u00e9e, il met l’accent sur le couplage dynamique ininterrompu entre l’agent, son corps et son environnement physique.<\/p>\n Afin de classifier et de concevoir un mod\u00e8le computationnel en psychologie, plusieurs dimensions structurelles et m\u00e9canistiques doivent \u00eatre distingu\u00e9es :<\/p>\n Pour illustrer la mise en pratique de la mod\u00e9lisation computationnelle, prenons l’exemple classique de la reconnaissance lexicale visuelle. Les th\u00e9ories verbales postulent qu’un lecteur confront\u00e9 \u00e0 un mot active simultan\u00e9ment des repr\u00e9sentations visuelles, phonologiques et s\u00e9mantiques. Le mod\u00e8le computationnel d’activation interactive d\u00e9velopp\u00e9 par McClelland et Rumelhart explicite ce processus au milli\u00e8me de seconde pr\u00e8s : il est constitu\u00e9 de trois niveaux de n\u0153uds neuronaux formels (caract\u00e9ristiques visuelles, lettres, mots) connect\u00e9s par des liens facilitateurs et inhibiteurs bidirectionnels. Le mod\u00e8le simule avec exactitude l’\u00ab effet de sup\u00e9riorit\u00e9 du mot \u00bb (le fait qu’une lettre est identifi\u00e9e plus rapidement lorsqu’elle est ins\u00e9r\u00e9e dans un mot r\u00e9el que dans une suite de lettres al\u00e9atoires) gr\u00e2ce au feedback top-down r\u00e9entrant du niveau des mots vers celui des lettres.<\/p>\n Un autre exemple saisissant provient de l’\u00e9tude de l’impulsivit\u00e9 et des prises de d\u00e9cision risqu\u00e9es. Dans une t\u00e2che de jeu o\u00f9 un individu doit choisir entre une petite r\u00e9compense imm\u00e9diate et une r\u00e9compense diff\u00e9r\u00e9e plus substantielle, les approches traditionnelles se contentent de constater un d\u00e9ficit de patience. Un mod\u00e8le d’actualisation temporelle hyperbolique computationnel permet d’extraire math\u00e9matiquement un param\u00e8tre subjectif de d\u00e9valuation temporelle propre \u00e0 chaque individu. La comparaison computationnelle permet de d\u00e9terminer si l’impulsivit\u00e9 observ\u00e9e d\u00e9coule d’une perception d\u00e9form\u00e9e du temps, d’une sensibilit\u00e9 exacerb\u00e9e \u00e0 l’imm\u00e9diatet\u00e9 ou d’une d\u00e9faillance dans le maintien de la valeur attendue en m\u00e9moire de travail.<\/p>\n Dans le domaine de la psychopathologie, les mod\u00e8les computationnels de la schizophr\u00e9nie apportent un \u00e9clairage in\u00e9dit sur les hallucinations auditives. Formul\u00e9es dans le cadre du codage pr\u00e9dictif, ces hallucinations ne sont plus con\u00e7ues comme des perceptions spontan\u00e9es aberrantes, mais comme la cons\u00e9quence d’un d\u00e9s\u00e9quilibre algorithmique : une pr\u00e9cision excessive accord\u00e9e aux croyances a priori (top-down) par rapport aux signaux d’erreur sensoriels entrants (bottom-up). L’esprit en vient ainsi \u00e0 \u00e9craser l’entr\u00e9e sensorielle r\u00e9elle au profit d’attentes internes surpuissantes, g\u00e9n\u00e9rant l’exp\u00e9rience perceptuelle concr\u00e8te d’une voix en l’absence de toute vibration sonore externe.<\/p>\n La validation empirique d’un mod\u00e8le computationnel r\u00e9pond \u00e0 une d\u00e9marche m\u00e9thodologique hautement formalis\u00e9e, distincte de l’inf\u00e9rence statistique usuelle :<\/p>\n La premi\u00e8re \u00e9tape r\u00e9side dans l’estimation des param\u00e8tres. \u00c0 l’aide de m\u00e9thodes d’optimisation num\u00e9rique comme le maximum de vraisemblance ou l’inf\u00e9rence bay\u00e9sienne hi\u00e9rarchique (m\u00e9thodes MCMC), le mod\u00e8le est ajust\u00e9 aux donn\u00e9es comportementales brutes observ\u00e9es chez chaque participant. L’ajustement hi\u00e9rarchique s’av\u00e8re particuli\u00e8rement puissant, car il permet d’estimer simultan\u00e9ment les param\u00e8tres au niveau individuel tout en exploitant les contraintes statistiques du groupe, pr\u00e9venant ainsi les estimations aberrantes dues au bruit de mesure.<\/p>\n La deuxi\u00e8me \u00e9tape concerne la comparaison formelle de mod\u00e8les concurrents. Pour d\u00e9terminer quel cadre th\u00e9orique rend le mieux compte des donn\u00e9es r\u00e9elles, les chercheurs \u00e9valuent l’ad\u00e9quation du mod\u00e8le tout en p\u00e9nalisant sa complexit\u00e9 intrins\u00e8que (nombre de param\u00e8tres libres). Des indices formels tels que le crit\u00e8re d’information d’Akaike (AIC), le crit\u00e8re d’information bay\u00e9sien (BIC) ou le calcul de la vraisemblance marginale (\u00e9vidence du mod\u00e8le) sont employ\u00e9s pour \u00e9viter le surapprentissage (overfitting<\/em>).<\/p>\n La troisi\u00e8me \u00e9tape indispensable est celle de la r\u00e9cup\u00e9ration de param\u00e8tres (parameter recovery<\/em>) et de la validation pr\u00e9dictive (generative model simulation<\/em>). Une fois les param\u00e8tres estim\u00e9s, le chercheur doit g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques \u00e0 partir du mod\u00e8le et v\u00e9rifier deux aspects cruciaux : d’une part, que le processus d’ajustement est capable de r\u00e9identifier sans biais les param\u00e8tres initiaux dans ces donn\u00e9es simul\u00e9es ; d’autre part, que les donn\u00e9es simul\u00e9es reproduisent fid\u00e8lement les patterns qualitatifs et quantitatifs observ\u00e9s dans les donn\u00e9es humaines, y compris sur des conditions exp\u00e9rimentales nouvelles non incluses lors de l’\u00e9talonnage initial.<\/p>\n L’essor de la psychiatrie computationnelle<\/a> repr\u00e9sente l’application clinique la plus f\u00e9conde de ces mod\u00e8les. La nosographie psychiatrique classique (DSM-5, CIM-11) repose sur le regroupement ph\u00e9nom\u00e9nologique de sympt\u00f4mes cliniques h\u00e9t\u00e9rog\u00e8nes, cr\u00e9ant des cat\u00e9gories diagnostiques artificielles et un chevauchement syndromique \u00e9lev\u00e9. Les mod\u00e8les computationnels permettent d’identifier des dysfonctionnements computationnels \u00e9l\u00e9mentaires \u2014 des endoph\u00e9notypes algorithmiques \u2014 qui transcendent les fronti\u00e8res diagnostiques traditionnelles. Par exemple, un dysfonctionnement de la mise \u00e0 jour des croyances peut \u00eatre quantifi\u00e9 objectivement chez des patients souffrant de trouble obsessionnel-compulsif, de d\u00e9pendance aux substances ou de parano\u00efa, autorisant ainsi une stratification ph\u00e9notypique bas\u00e9e sur des m\u00e9canismes causaux r\u00e9els plut\u00f4t que sur la symptomatologie subjective.<\/p>\n En neuropsychologie et en r\u00e9habilitation cognitive, les architectures computationnelles permettent de cartographier avec exactitude les modules pr\u00e9serv\u00e9s et endommag\u00e9s suite \u00e0 un accident vasculaire c\u00e9r\u00e9bral ou un traumatisme cr\u00e2nien. En d\u00e9sactivant virtuellement certaines composantes algorithmiques du mod\u00e8le d’un patient sain pour reproduire le profil l\u00e9sionnel sp\u00e9cifique du patient c\u00e9r\u00e9brol\u00e9s\u00e9, les cliniciens peuvent simuler les trajectoires de r\u00e9cup\u00e9ration potentielles et concevoir des programmes d’entra\u00eenement cognitif personnalis\u00e9s ciblant exclusivement les voies de compensation les plus robustes.<\/p>\n Sur le versant \u00e9ducatif et ergonomique, les mod\u00e8les computationnels d’apprentissage sont au c\u0153ur des syst\u00e8mes de tutorat intelligents et de la conception des interfaces humain-machine (IHM). En int\u00e9grant un mod\u00e8le pr\u00e9dictif de la charge cognitive et de l’oubli de l’utilisateur, ces dispositifs adaptent le rythme de pr\u00e9sentation du mat\u00e9riel didactique, anticipent les points de d\u00e9crochage attentionnel et optimisent l’apprentissage \u00e0 long terme.<\/p>\n La litt\u00e9rature en sciences cognitives regorge de validations empiriques d\u00e9cisives apport\u00e9es par la mod\u00e9lisation computationnelle. L’un des jalons les plus embl\u00e9matiques est la confirmation du r\u00f4le des neurones dopaminergiques de l’aire tegmentale ventrale dans l’encodage de l’erreur de pr\u00e9diction de r\u00e9compense. Initialement pr\u00e9dite par le mod\u00e8le math\u00e9matique de Rescorla-Wagner, puis formalis\u00e9e dans l’algorithme computationnel de diff\u00e9rence temporelle de Sutton et Barto, cette hypoth\u00e8se a \u00e9t\u00e9 rigoureusement corrobor\u00e9e par les enregistrements \u00e9lectrophysiologiques de Wolfram Schultz chez le primate non humain, avant d’\u00eatre transpos\u00e9e en imagerie c\u00e9r\u00e9brale fonctionnelle chez l’homme par des chercheurs tels que Nathaniel Daw et Peter Dayan.<\/p>\n Dans le domaine des neurosciences d\u00e9cisionnelles, les travaux de Michael Frank et de ses coll\u00e8gues ont illustr\u00e9 comment un mod\u00e8le computationnel de r\u00e9seau de neurones mimant les circuits corticostriataux peut expliquer les d\u00e9ficits d’apprentissage chez les patients atteints de la maladie de Parkinson. Leurs simulations ont permis de pr\u00e9dire th\u00e9oriquement \u2014 puis de valider empiriquement chez les patients sous ou hors traitement dopaminergique \u2014 une double dissociation : la d\u00e9pl\u00e9tion en dopamine alt\u00e8re s\u00e9lectivement l’apprentissage par renforcement positif sans d\u00e9grader l’apprentissage par \u00e9vitement des punitions, tandis que l’administration excessive de L-DOPA inverse exactement ce pattern.<\/p>\n Par ailleurs, les recherches de Roger Ratcliff sur le mod\u00e8le de diffusion ont r\u00e9solu de nombreuses contradictions apparentes dans les \u00e9tudes sur le vieillissement cognitif. Alors que les donn\u00e9es brutes indiquaient un ralentissement syst\u00e9matique des temps de r\u00e9ponse chez les personnes \u00e2g\u00e9es, souvent interpr\u00e9t\u00e9 comme un d\u00e9clin g\u00e9n\u00e9ral de la vitesse de traitement neural, le mod\u00e8le computationnel a mis en \u00e9vidence que ce ralentissement d\u00e9coule principalement d’un ajustement d\u00e9lib\u00e9r\u00e9 des crit\u00e8res de d\u00e9cision : les adultes \u00e2g\u00e9s augmentent drastiquement leur seuil de preuve pour pr\u00e9server la pr\u00e9cision de leurs r\u00e9ponses au d\u00e9triment de la vitesse.<\/p>\n L’universalit\u00e9 pr\u00e9sum\u00e9e des mod\u00e8les computationnels fait l’objet de r\u00e9\u00e9valuations critiques au sein de la psychologie interculturelle contemporaine. Une grande majorit\u00e9 des mod\u00e8les ont \u00e9t\u00e9 calibr\u00e9s \u00e0 partir de cohortes restreintes, compos\u00e9es d’\u00e9tudiants issus de soci\u00e9t\u00e9s occidentales, \u00e9duqu\u00e9es, industrialis\u00e9es, riches et d\u00e9mocratiques (dites populations WEIRD). Or, les processus d’int\u00e9gration de l’information et d’inf\u00e9rence probabiliste sont perm\u00e9ables aux cadres culturels de r\u00e9f\u00e9rence.<\/p>\n Des \u00e9tudes empiriques ont d\u00e9montr\u00e9 que les param\u00e8tres libres de certains mod\u00e8les \u2014 comme le taux d’actualisation temporelle, la sensibilit\u00e9 au risque ou la pond\u00e9ration des indices contextuels \u2014 varient substantiellement selon les environnements culturels et socio-\u00e9conomiques. Dans les cultures favorisant une pens\u00e9e holistique, les mod\u00e8les computationnels de perception visuelle doivent int\u00e9grer une plus forte connectivit\u00e9 lat\u00e9rale pour refl\u00e9ter la prise en compte accrue des \u00e9l\u00e9ments de l’arri\u00e8re-plan, comparativement aux contextes individualistes caract\u00e9ris\u00e9s par un traitement analytique focalis\u00e9 sur l’objet central.<\/p>\n De surcro\u00eet, la mod\u00e9lisation des interactions sociales (th\u00e9orie des jeux computationnelle) r\u00e9v\u00e8le que les fonctions d’utilit\u00e9 int\u00e9grant des notions d’\u00e9quit\u00e9, d’altruisme ou de punition altruiste sont profond\u00e9ment modul\u00e9es par les normes collectives locales. Tout mod\u00e8le se pr\u00e9tendant universel sans avoir \u00e9t\u00e9 test\u00e9 au sein d’\u00e9chantillons culturels diversifi\u00e9s risque d’\u00e9riger des particularit\u00e9s comportementales locales au rang de principes invariants de la nature humaine.<\/p>\n En d\u00e9pit de sa rigueur ind\u00e9niable, la mod\u00e9lisation computationnelle suscite des d\u00e9bats \u00e9pist\u00e9mologiques vifs et fait face \u00e0 plusieurs \u00e9cueils m\u00e9thodologiques bien identifi\u00e9s :<\/p>\n Le premier \u00e9cueil concerne la sous-d\u00e9termination de la th\u00e9orie par les donn\u00e9es et le paradoxe de Bonini. Ce dernier \u00e9nonce qu’\u00e0 mesure qu’un mod\u00e8le computationnel devient plus complexe et fid\u00e8le \u00e0 la r\u00e9alit\u00e9 biologique, il devient aussi difficile \u00e0 comprendre que le ph\u00e9nom\u00e8ne lui-m\u00eame. Par ailleurs, des architectures internes profond\u00e9ment divergentes peuvent produire des donn\u00e9es comportementales strictement identiques en surface (probl\u00e8me d’\u00e9quifinalit\u00e9). La capacit\u00e9 d’un mod\u00e8le \u00e0 reproduire des donn\u00e9es ne garantit en rien que le cerveau op\u00e8re selon ses algorithmes.<\/p>\n Une seconde controverse majeure r\u00e9side dans le probl\u00e8me de la bo\u00eete noire au sein des mod\u00e8les fond\u00e9s sur les r\u00e9seaux de neurones profonds contemporains. Bien que ces syst\u00e8mes r\u00e9alisent des prouesses ph\u00e9nom\u00e9nales pour classifier des stimuli complexes, leur opacit\u00e9 interne est telle qu’ils \u00e9chouent parfois \u00e0 fournir une explication intelligible des m\u00e9canismes psychologiques r\u00e9els, substituant un myst\u00e8re computationnel inintelligible au myst\u00e8re de l’esprit humain.<\/p>\n Enfin, sur le plan philosophique, des penseurs comme John Searle, \u00e0 travers l’argument de la Chambre chinoise, ont soutenu que la manipulation purement syntaxique de symboles informatiques ne saurait \u00eatre constitutive d’une v\u00e9ritable s\u00e9mantique ou d’une conscience ph\u00e9nom\u00e9nale. Le mod\u00e8le computationnel est \u00e9galement critiqu\u00e9 par les tenants de la cognition incarn\u00e9e et \u00e9nactive pour sa tendance \u00e0 isoler le cerveau de sa corpor\u00e9it\u00e9 biologique et de son couplage physique avec le monde.<\/p>\n Pour \u00e9viter toute ambigu\u00eft\u00e9 terminologique, il convient de distinguer pr\u00e9cis\u00e9ment le mod\u00e8le computationnel d’autres concepts connexes de la discipline :<\/p>\n Le mod\u00e8le computationnel constitue une avanc\u00e9e m\u00e9thodologique et \u00e9pist\u00e9mologique majeure pour la psychologie moderne et les neurosciences cognitives. En traduisant des th\u00e9ories conceptuelles sous la forme d’algorithmes et de formulations math\u00e9matiques explicites, il \u00e9limine les ambigu\u00eft\u00e9s inh\u00e9rentes aux descriptions verbales et soumet les hypoth\u00e8ses relatives aux processus mentaux \u00e0 des tests empiriques d’une rigueur absolue.<\/p>\n Articul\u00e9 autour des niveaux d’analyse de Marr, il op\u00e8re principalement au niveau algorithmique et repr\u00e9sentationnel pour \u00e9lucider comment l’esprit encode, traite et restitue l’information. Qu’il s’inscrive dans une logique symbolique, connexionniste, bay\u00e9sienne ou dynamique, le mod\u00e8le extrait des variables latentes inobservables et quantifie la dynamique des \u00e9tats cognitifs internes.<\/p>\n Ses applications d\u00e9passent d\u00e9sormais le champ th\u00e9orique de la psychologie cognitive fondamentale pour transformer la clinique via la psychiatrie computationnelle, la r\u00e9\u00e9ducation neuropsychologique, la p\u00e9dagogie adaptative et l’ergonomie num\u00e9rique. Malgr\u00e9 des limites \u00e9pist\u00e9mologiques r\u00e9elles li\u00e9es \u00e0 la complexit\u00e9 des mod\u00e8les et au risque de sous-d\u00e9termination, la mod\u00e9lisation computationnelle demeure l’un des piliers les plus puissants pour percer la complexit\u00e9 des architectures de l’esprit humain.<\/p>\n La mod\u00e9lisation computationnelle en psychologie et en neurosciences permet de simuler, tester et comprendre les m\u00e9canismes algorithmiques sous-jacents aux processus mentaux et aux comportements humains.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[304,459,647],"tags":[21516,424,41124,22690,41072,93],"class_list":["post-24256","psych_term","type-psych_term","status-publish","hentry","category-methodologie-de-recherche","category-neurosciences","category-psychologie-cognitive","tag-architectures-cognitives","tag-intelligence-artificielle","tag-modele-computationnel","tag-neurosciences-computationnelles","tag-processus-decisionnels","tag-psychologie-cognitive"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/24256","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\/24256\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24256"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24256"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24256"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. \u00c9tymologie et origines linguistiques<\/h3>\n
3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle approfondie<\/h3>\n
5. D\u00e9veloppement historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, typologies et dimensions<\/h3>\n
\n
8. Exemples et illustrations concr\u00e8tes<\/h3>\n
9. Mesure, \u00e9valuation et validation empirique<\/h3>\n
10. Applications cliniques et pratiques<\/h3>\n
11. Recherche empirique et donn\u00e9es probantes<\/h3>\n
12. Consid\u00e9rations culturelles et interculturelles<\/h3>\n
13. Critiques, controverses et limites \u00e9pist\u00e9mologiques<\/h3>\n
14. Termes associ\u00e9s et distinctions conceptuelles<\/h3>\n
\n
15. R\u00e9sum\u00e9 et points cl\u00e9s<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n