Modélisation des apprentissages Charles Delbé 2008 charles.delbe@u-bourgogne.fr Objectifs Comprendre les principes et objectifs de la modélisation cognitive Introduction à différents modèles d apprentissage (implicite)
La modélisation cognitive Définition : La construction et l analyse de programmes informatiques qui implémentent une théorie, simulent et expliquent les processus cognitifs sous-tendant les comportements de tous les jours (ou de laboratoire..) une branche importante des sciences cognitives la psychologie et l informatique co-opèrent pour fournir une approche distincte de l étude de la cognition humaine Domaines: Langage, perception, attention, raisonnement par analogie,... Le modèle computationnel
Le modèle computationnel Physiquement réalisable (évite l ambiguïté des modèles verbaux) Spécifié indépendamment du modélisateur Le modèle computationnel Peut être «lancé» pour générer des prédictions indépendamment du modélisateur (les prédictions sont faites par le modèle, pas par le modélisateur) Soit sur un ordinateur, soit par simulation par exemple mathématiques
Le modèle computationnel Un modèle est construit à partir d une hypothèse théorique Ce n est pas seulement un programme d IA, par exemple Le modèle computationnel Modèle des processus Donc, ce n est pas un «modèle des données» (cf. modèles mathématiques traditionnels en psychologie)
Le modèle computationnel Un modèle fonctionnel prédit (génère) un comportement Effectue réellement la tâche modélisée game paying, problem solving Modèles et théories cognitives Les théories sont des descriptions de haut niveau des processus soustendant un comportement 1. Elles ne sont pas souvent explicites concernant le processus impliqué 2. Elles sont difficiles à utiliser si les mécanismes ne sont pas explicites : trop haut niveau pour produire des prédictions explicites. 3. La formation de théories elle-même est difficile. Les modèles augmentent la confiance en la suffisance et la nécessité de l'explication proposée Les modèles obligent les théories à être précises et les poussent dans leurs limites (test de la cohérence interne, interactions entre les différents mécanismes, évite les concepts flous) Un modèle fonctionnel peut générer des prédictions inattendues ( pompe à intuition pour la compréhension du phénomène) Un modèle fonctionnel peut générer des prédictions inattendues
Intérêts des modèles cognitifs Les modèles peuvent être manipulés et analysés d une façon différente des sujets humains. On peut observer les effets de variations de l architecture corticale (e.g modèle à 1 versus 2 voies) On peut observer les effets de variations des ressources de traitement (e.g., variation du nombre de cellules cachées) On peut observer les effets de variations de l environnement (e.g., nos parents pourraient-ils être des cannettes, des livres? Y a-t-il quelque chose de spécial concernant l expertise des visages versus l expertise visuelle?) On peut observer les effets de différentes atteintes cérébrales sur le comportement, à l intérieur d un même «cerveau» Quelles utilisations? Le «lancer» et comparer ses résultats avec les données expérimentales humaines S_artificiel L examiner : que nous dit-il sur la structure de la cognition? Quelles autres hypothèses suggèret-il? Le modifier : «lésions», l étendre de façon incrémentielle.
Éléments méthodologiques Modéliser dans les mêmes conditions expérimentales que pour le Sujet Même entrée/sortie (mêmes VI/VD), même plan expérimental pour M et S exécute la même tâche Fondements empiriques M est basé sur des données empiriques Un atout et une limite Bons fondements, mais Les gens ne vivent pas dans les labos de psychologie! Modélise des phénomènes expérimentaux mais ignore les capacités que les gens montrent dans la vie de tous les jours Quel type de données utiliser? Utilisation de données différentes de celles pour lesquelles le modèle est développé Test rigoureux du modèle Preuves convergentes à partir de sources différentes Détaillées vs brutes protocole: enregistrement détaillé des étapes de la résolution de problème brute: mesure globale de performance Les mesures temporelles proportion de réponses correctes erreurs combien? de quel type? plus spécialisées: rang de difficulté de problèmes individuels
Évaluation de modèles 3 critères pour départager des modèles concurrents : 1. puissance explicative (i.e. nombre de phénomènes expliqués) 2. économie explicative (i.e. nombre de postulats, ou paramètres, contenus dans le modèle) 3. prédictions (et explication) de nouveaux phénomènes 2 approches de la modélisation cognitive
2 approches de la modélisation cognitive Système cognitif : structure & dynamique Symbolisme Traitement de l information Règles et Symboles Ordinateur Sous-symbolisme Traitement du signal Représentations distribuées Cerveau Le symbolisme Acquisition et utilisation de règles structurées qui opèrent sur des symboles X: vrai faux Y: faux Règle «OU»: SI l entrée X est fausse, ET SI l entrée Y est fausse, ALORS la proposition est fausse, SINON la proposition est vraie. faux vrai
Le symbolisme Les architectures cognitives e.g., ACT-R «Contrôle Adaptatif de la Pensée», Adaptive Control of Thought; ACT, Anderson (1976;1983;1990;1993). Théorie générale (ou unifiée) qui comporte plusieurs postulats ACT-R Le symbolisme
Le symbolisme Décrire l environnement par des règles? Reconnaissance d objets Effets de contexte Contraintes dures : rigides et fragiles Symbolisme et contraintes Cognition et contraintes : contraintes douces versus contraintes dures. Les contraintes consistent en des caractéristiques d un stimulus, d une tâche, votant en faveur d une représentation. L astronaute s est marié avec l étoile Les contraintes sont douces plutôt que dures.