Analyses

8.2.1 RAPPELS SUR LA THEORIE DE DETECTION DU SIGNAL

Dans notre étude, plutôt que d’analyser classiquement les performances correctes, nous avons décidé d'analyser les données psychophysiques des sujets, lorsque celles-ci nous le permettaient, avec la Théorie de détection du signal (Signal Detection Theory en anglais ou SDT). Cette méthode

nous a permis de dissocier deux processus mis en œuvre dans les réponses comportementales des sujets, à savoir les processus décisionnels et les processus perceptifs. La méthode que nous avons utilisée est celle qui a été développée essentiellement par Tanner et Swets (Tanner & Swets, 1954).

Avant tout, il faut savoir que le paradigme qui est utilisé (voir Tableau 8.1 ) est bien particulier : à chaque essai, soit le stimulus est présent soit il ne l'est pas, et la tâche du sujet est de détecter sa présence. Il existe donc quatre types de réponses possibles : « Hit » (détection correcte), « Miss » (manqué), « False Alarm » (Fausse Alarme) et « Correct Rejection » (rejet correct).

Réponses du sujet

« Oui » « Non » Signal présent Taux de Détection Correcte (Hit Rate) Taux de Manqué (Miss Rate)

Signal absent Taux de Fausse alarmes (False Alarm Rate) Taux de Rejet Correct (Correct Rejection Rate)

Tableau 8.1 : Paradigme expérimentale pour appliquer la théorie de détection du signal (SDT), avec les types de réponses possibles du sujet selon que le signal est présent ou absent

La proportion de détection correcte (Hit) d’un stimulus (surtout proche du seuil de sensibilité du sujet) dépend non seulement de la capacité discriminative du sujet, c’est à dire sa capacité à percevoir ou non le stimulus, mais aussi de facteurs non sensoriels qui sont les critères de décision de la présence ou non du stimulus. Grâce à la SDT, il nous est possible d’estimer la capacité discriminative (ou sensibilité) indépendamment du critère de décision du sujet (biais de réponse).

Figure 8.1 : Illustration de la représentation interne au sujet du « bruit » et du « signal + bruit » : l’intensité de la sensation du sujet correspond à la densité de probabilité. La sensibilité d’, est égale à la distance entre les deux moyennes des distributions « bruit » et « signal + bruit ». Le critère de décision, est représenté par un trait rouge entre les deux distributions et varie indépendamment de la sensibilité d’.

La Figure 8.1, illustre la représentation interne du sujet pour le « bruit » et un « signal + bruit ». En abscisse on peut lire l’intensité sensorielle perçue par le sujet pour chaque essai, qu’il y ait eu signal ou pas. Ce qui nous donne, en multipliant les essais, les distributions (représentées par les deux courbes en cloches) de l’intensité sensorielle perçue par le sujet en ordonnée, c'est-à-dire la densité de probabilité. Le bruit est conçu comme une variable aléatoire car il est attribué aux fluctuations aléatoires du système détecteur (récepteurs périphériques et structures de traitement de l'information) et à celles de l'environnement physique. Le signal ayant des caractéristiques précises et constantes, les deux courbes (« bruit » et « signal + bruit ») vont donc avoir une distribution normale. Etant donné qu'il y a plus d'information sensorielle lorsque le signal est présent, on comprend que les valeurs de la courbe « signal + bruit » (Signal + Noise) soit supérieure à celle du « bruit » (Noise). La sensibilité (d') correspond aux capacités physiologiques du sujet à détecter un stimulus. Elle est calculée en fonction de la distance entre les deux courbes. Plus le signal est fort plus les deux courbes seront espacés et plus la sensibilité d’ sera élevé. Un d’ égal à 0, signifie un recouvrement complet des deux distributions, les moyennes étant ainsi les mêmes ; le sujet n’est alors pas capable de différencier le signal du bruit. Dans ce modèle, la zone de recouvrement des deux courbes est une situation ambiguë pour le sujet. Sa décision repose alors sur un critère de décision (ß) qu’il se serait donné (fig. 8), c’est à dire un état d’observation en-deçà duquel il attribuerait l’observation à Noise (il répondrait alors que le signal est absent), et au-delà duquel il l’attribuerait à SN (il répondrait que le signal est présent). Avec ce critère de décision on peut clairement déterminer sur les courbes les aires de probabilités correspondant aux différentes réponses possibles (hit, false alarm, correct rejection et miss).

Les valeurs de la sensibilité d’ et du critère de décision ß sont calculés à partir des valeurs de détections correctes (Hit Rate) et de Fausses alarmes (False alarm Rate). Dans un premier temps ces valeurs sont normalisées, puis, en considérant le rapport des variances « bruit » et « signal sur bruit » égal à 1, on peut calculer la sensibilité et le critère de décision avec les équations suivantes :

d' = z(HR) – z(FAR)

ββββ = e(- ½)[z²(HR) – z²(FAR)]

où z(HR) est le z-score correspondant à la probabilité de hits dans la table de la loi normale et z(FAR) celui correspondant à la probabilité de false alarm.

On comprend avec ce modèle que les performances de reconnaissances correctes (Hit Rate) ne reflètent pas uniquement les capacités perceptives du sujet, mais sont aussi largement influencées par le critère de décision de celui-ci. En effet, lorsqu’on regarde la Figure 8.1, on voit clairement que les variations de Hits peuvent être indépendamment dues à des variations de la sensibilité ou à des variations du critère de décision, ou bien encore à des variations de ces deux aspects. Pour prendre un exemple extrême, imaginons un sujet qui répond toujours que le signal est présent (« oui »), sont

taux de Hits sera donc au maximum, 100%. On pourrait alors penser que ses performances sont très bonnes, or il est clair aussi que le taux de False alarm sera lui aussi au maximum. Dans ce cas on ne saurait dire si le sujet n’est pas capable de faire la différence entre « signal » et « signal + bruit », ayant donc des performances réelles plus proche du hasard, ou bien si son critère de décision est tellement permissif que dans le moindre doute il acceptait de répondre que le signal était présent. Appliquer la théorie de détection du signal permet donc de tenir compte de toutes les réponses du sujet et reflètent bien plus la sensibilité perceptive du sujet que les simples détections correctes, dans le cas d’un paradigme expérimental approprié. C’est pourquoi, nous nous attacherons à utiliser cette méthode d’analyse dans les tests où le paradigme le permet, c'est-à-dire dans les tests de détection de la voix humaine versus sons de l’environnement binaural et monaural, ainsi que dans le test de détection de voix humaine versus voix animale.

8.2.2 STATISTIQUES

L’ensemble de nos échantillons et/ou groupe de sujets étant de taille inférieure ou égale à 14, nous avons opté pour des analyses non paramétriques.

Pour comparer des groupes en mesure répétée, nous avons utilisé le test de Friedman. En test post-hoc et pour des comparaisons 2 à 2 nous avons utilisé le test de rang de Wilcoxon

Pour comparer des groupes lors de mesures indépendantes, le test de Kruskal-Wallis a été utilisé ainsi que le test de Mann-Whitney pour les analyses post-hoc 2 à 2.

Le seuil de significativité était fixé à p = 0.05.

L’article « Voice detection in cochlear-implanted deaf subjects », accepté sous révision dans Hearing Recearch se base sur les résultats obtenus pour le test de détection de la voix chez le sujet sain et le patient sourd implanté cochléaire (voir Publication à la fin du manuscrit). Toutefois, à la demande des reviewers, les analyses statistiques ont été faites avec des tests paramétriques. On pourra remarquer que, dans l’ensemble, les résultats ne changent pas beaucoup, et l’interprétation qui peut en être faite est largement similaire.

9 TESTS COMPORTEMENTAUX DE LA