Analyse des distributions de temps de réaction

L’analyse des distributions de TR est un outil particulièrement intéressant pour étudier les processus de traitement de l’information car il permet de décrire précisément la façon dont un facteur expérimental influence les performances cognitives. Les informations recueillies par l’intermédiaire de cette méthode sont beaucoup plus fines que de simples indices de tendance centrale tels que la moyenne ou la médiane. En effet, l’analyse des distributions de TR offre une vision globale de l’ensemble des TR recueillis au cours de différentes conditions expérimentales, elle permet de comprendre certains aspects ne pouvant être mis en évidence avec des indices de tendance centrale. La manipulation d’un facteur expérimental peut provoquer un changement de la forme de la distribution (figure 9A versus figure 9B) ou/et un décalage de la courbe (Figures adaptées de Spieler, Balota, & Faust, 2000 ; figure 9A versus figure 9C / figure 9D). Dans ces cas, la moyenne peut ne pas être affectée par ces changements et l’absence de résultat ne reflète pas une absence d’effet du facteur manipulé mais l’impossibilité de mettre en évidence cet effet en utilisant uniquement un indice de tendance centrale.

Figure 9 : Changements équivalents au niveau du TR moyen résultant soit d’un allongement de la forme de la distribution (B), soit d’un décalage de la distribution (C), et des effets compensés (D).

Deux techniques d’analyse sont généralement utilisées pour appréhender la forme des distributions de TR. La première technique consiste à ajuster une fonction de probabilité théorique aux données expérimentales individuelles collectées essai par essai (Luce, 1986). La deuxième technique d’analyse consiste à analyser les distributions moyennes en utilisant la technique de vincentisation’ élaborée par Vincent (1912). C’est la technique de vincentisation qui sera utilisée dans la première étude de ce manuscrit.

Cette technique proposée par Vincent (1912) puis développée par Ratcliff (1979) repose sur l’estimation d’une distribution moyenne représentative des distributions individuelles. Cette technique d’analyse présente, d’une part, l’avantage d’aborder la forme de la distribution sans présumer de la fonction de probabilité qui décrirait le mieux la distribution

Ratcliff (1979) a montré que pour les distributions théoriques qui s’ajustent le mieux aux données de TR, la vincentisation permet d’obtenir une bonne estimation de la distribution de TR. Cette technique consiste à classer les TR pour chaque sujet et dans chaque condition expérimentale par ordre croissant (par exemple conditions A et B) (grandes figures 10,11), puis à décomposer la distribution de TR en classes de même effectif (quantiles). Le calcul du TR moyen de chaque quantile permet d’obtenir une distribution vincentisée individuelle pour chaque sujet, ainsi qu’une distribution vincentisée de groupe en moyennant les distributions individuelles quantile par quantile. On notera que, en général, il n’est pas possible d’obtenir une distribution de groupe simplement en mélangeant les distributions individuelles, car il n’est pas correct de moyenner simplement les ordonnées des distributions individuelles pour obtenir une distribution moyenne. Généralement, les distributions de TR sont graphiquement présentées sous la forme de fonction de densité de probabilité (probability density function) ou sous la forme de fonction de densité cumulée (cumulative density function). Dans le cadre de ce travail, l’ensemble des représentations graphiques sera présenté sous la forme de fonction de densité cumulée, c’est-à-dire la probabilité cumulée d’apparition d’une valeur de TR en fonction de la latence.

Pour chaque distribution vincentisée, l’indice delta plot dans ce travail était calculé (petites figures 10, 11). Cet indice rend compte à la fois de l’amplitude et du sens de l’effet du facteur manipulé pour chaque quantile. Exprimé en millisecondes, l’indice delta représente l’écart entre les distributions de TR de deux conditions expérimentales rapporté à la moyenne du TR moyen obtenu pour ces deux conditions (Delta = TR1 – TR2 en fonction de (TR1 + TR2)/2). Cet indice reflète la dynamique de l’effet du facteur manipulé. Par exemple, lorsque les distributions A et B sont identiques, le delta plot est égal à 0 pour chacun des points. Lorsque la différence est non nulle, mais constante pour chacun des points, cela signifie que les deux distributions se différencient seulement d’un terme constant. Les cas les plus intéressants sont ceux où les fonctions cumulées convergent ou divergent, voire se croisent comme dans l’exemple ci-dessus (figure 11) ; la courbe de différence est alors croissante (distributions A et B divergentes) ou décroissante (distributions A et B convergentes). On en infère alors que des processus différents sont à l’œuvre dans les TR courts et dans les TR longs. Pour mieux comprendre l’intérêt de ce type d’analyse, on présente un exemple issu d’une étude réalisée par Burle et ses collaborateurs en 2002. Dans une tâche de Simon, et à l’aide des enregistrements électromyographiques et l’analyse des distributions de TR, les auteurs ont montré, que la pente de delta plot (entre les deux distributions de TR dans les conditions congruente et incongruente) est plus négative dans les essais où il y a double

activation électromyographique (l’activation correspond à la réponse correcte du sujet précédée par une activation inaperçue au niveau comportemental correspondant à la réponse incorrecte ; essai incorrect-correct, pour plus de détails voir section 6.2.2.) que dans les essais où il y a une seule activation électromyographique correspondant à la réponse correcte du sujet (essai pur-correct). Les figures 10 et 11 représentent la fonction de densité cumulée dans les conditions congruente (A) et incongruente (B), et leurs deltas plots correspondants pour les deux types d’essai (pur correct, incorrect-correct). Dans le cas des essais purs corrects, la différence entre les deux distributions est moins importante avec les TR les plus longs. Par contre, dans le cas d’essais incorrects-corrects les deux distributions se croisent, et la pente de delta plot est plus négative en comparaison avec celle observée dans le cas des essais purs corrects. La différence de négativité entre les deux pentes de delta plot est interprétée par le fait que les processus d’inhibition sont plus efficaces dans le cas des essais incorrects- corrects. Les auteurs ont interprété leurs résultats par le fait que les processus d’inhibition qui sont mis en jeu, ne sont pas les mêmes dans ces deux conditions. Ridderinkhof (2002) a également montré l’intérêt de ce type d’analyse pour l’étude des processus du TR.

Figure 10 : La grande figure présente les fonctions de densité cumulée des distributions des TR dans la condition congruente (A) et incongruente (B) pour les essais purs corrects. La petite figure présente le delta plot en ms entre les deux distributions ; figure adaptée par Burle et al., (2002).

Figure 11 : La grande figure présente les fonctions de densité cumulée des distributions des TR dans la condition congruente (A) et incongruente (B) pour les essais incorrects-corrects. La petite figure présente le delta plot en ms entre les deux distributions ; figure adaptée par Burle et al., (2002).