Auteur / Autrice : | Laure Minier-Munding |
Direction : | Arnaud Rey, Joël Fagot |
Type : | Thèse de doctorat |
Discipline(s) : | Psychologie |
Date : | Soutenance le 13/11/2015 |
Etablissement(s) : | Aix-Marseille |
Ecole(s) doctorale(s) : | Ecole Doctorale Cognition, Langage et Education (Aix-en-Provence) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de psychologie cognitive (Aix-Marseille ; 2012-2024) |
Jury : | Président / Présidente : François-Xavier Alario |
Examinateurs / Examinatrices : François-Xavier Alario, Arnaud Destrebecqz, Ronald Peereman, Fabien Mathy | |
Rapporteurs / Rapporteuses : Arnaud Destrebecqz, Ronald Peereman |
Mots clés
Résumé
Chez les humains et les animaux, l’exposition répétée à une séquence de stimulus conduit à la création de représentations mentales isomorphes aux régularités statistiques de cette séquence. Cette thèse étudie la dynamique avec laquelle les unités et sous-unités sont extraites, s’influencent et s’organisent lors de l’apprentissage séquentiel chez l’humain et le primate non-humain (babouin Papio papio). Nos résultats montrent que lors de l’apprentissage d’une séquence régulière ABC, la sous-unité finale BC est apprise plus rapidement que la sous-unité initiale AB chez les humains comme les primates non- humains. Avec une séquence plus longue ABCD, cet effet ne s’étend pas au-delà des deux termes précédents celui à prédire lors des 2000 essais d’apprentissage. Une seconde étude montre que les humains sont capables d’utiliser la prédictibilité des éléments à différents niveaux de complexité, alors que les singes sont limités aux dépendances locales. Enfin notre dernière étude montre que les humains comme les singes ne bénéficient pas d’un contexte d’homogénéité de longueurs des unités par rapport à un contexte d’hétérogénéité de longueurs des unités. Ensemble, ces études montrent des continuités et discontinuités entre les primates humains et non-humains dans l’extraction, l’influence et l’organisation des unités de différents niveaux. Elles donnent des informations d’une finesse nécessaires pour contraindre les différents modèles computationnels qui ont été proposés pour décrire l’apprentissage de régularités.