Memory-Conjunction Errors

Avec la simulation du paradigme DRM nous avons pu montrer que les capacités in- duites par l’ecphorie synergétique de MINERVA2 se retrouvaient dans le modèle ATHENA. Cependant, si ces capacités sont issues de l’utilisation de représentations en mémoire pour MINERVA2, ATHENA y parvient sans utiliser de représentations, mais il reste à s’assu- rer que l’utilisation d’une mémoire sans représentation parvient aussi à gérer l’abstraction inter-composantes. Pour ce faire, nous allons simuler les erreurs de type MCE (memory- conjunction errors).

Expérience originelle. Les erreurs dues aux conjonctions illusoires (MCE : Rei-

Simulations 3.1. ATHENA et MINERVA2

composante au bénéfice de l’activation inter-composantes. Ce sont des erreurs assez cou- rantes et qui se manifestent lorsqu’on croit se souvenir d’une situation pourtant nouvelle à cause d’une recombinaison d’éléments déjà connus sur la base de la mise en contexte de ces éléments. L’impression de déjà-vu en est un bon exemple. L’explication généralement ad- mise est que ce phénomène serait lié à une augmentation inappropriée de la familiarité qui entraînerait un sentiment de familiarité pour l’événement pourtant nouveau (O’Connor & Moulin, 2008, 2010).

Dans cette expérience, les sujets sont soumis à une tâche d’apprentissage de 24 non- mots bisyllabiques composés de 48 syllabes uniques générées aléatoirement. Lors de la phase de reconnaissance, 18 non-mots sont présentés aux sujets : 6 proviennent de la liste d’apprentissage (mots anciens), 6 proviennent de la recombinaison de syllabes utilisées dans la liste d’apprentissage (mots nouveaux recombinés), et 6 proviennent de la recom- binaison d’une syllabe présente dans la liste d’apprentissage avec une nouvelle syllabe (mots nouveaux partiellement recombinés). Les 38 syllabes utilisées lors de la phase de reconnaissance sont uniques.

Les résultats ont pu montrer que la perception de mots nouveaux recombinés donnait lieu à d’avantage de fausses reconnaissances que la perception de mots nouveaux partielle- ment recombinés. Ce résultat est interprété comme une erreur de recombinaison d’un mot pourtant nouveau. Cette erreur serait liée à une mauvaise recombinaison des traces, et donc à une abstraction inter-composantes illusoire. C’est pourquoi nous pensons que cette expérience est une bonne candidate pour mettre à l’épreuve MINERVA2 et ATHENA car ces deux modèles — s’appuyant sur le processus d’ecphorie synergétique — devraient pouvoir rendre compte des résultats expérimentaux.

Procédure de simulation. Cette expérience, à notre connaissance, n’a pas été simu-

lée par MINERVA2. Pour pouvoir simuler cette expérience, 24 premières syllabes uniques et 24 secondes syllabes uniques sont générées à partir de vecteurs de 5 composantes chacune. Puis les non-mots de la liste d’apprentissage sont générés en concaténant les premières syllabes aux secondes pour un total de 24 vecteurs de 10 composantes. Pour la génération des 18 vecteurs de la tâche de reconnaissance, 6 proviennent de la liste d’ap- prentissage (mots anciens), 6 proviennent de la recombinaison de syllabes utilisées dans la liste d’apprentissage (les cinq premières composantes d’un vecteur sont concaténées aux cinq dernières d’un autre vecteur : ce sont les mots anciens recombinés), et 6 proviennent de la recombinaison d’une syllabe présente dans la liste d’apprentissage avec une nouvelle syllabe différente des 48 générées en début d’expérience (mots nouveaux partiellement recombinés). Au final, les 38 syllabes utilisées lors de la phase de reconnaissance sont différentes les unes des autres.

Pour analyser la réponse de reconnaissance des modèles, nous en récupérons la valeur d’intensité pour chaque présentation de sonde dans la phase de reconnaissance. Une valeur

Simulations 3.1. ATHENA et MINERVA2

positive est propre à la reconnaissance de la sonde (réponse « ancien »), tandis qu’une valeur négative nous informe sur la non-reconnaissance de la sonde (réponse « nouveau »). Les simulations sont reproduites 5000 fois pour chaque modèle, nous serons ainsi en me- sure d’analyser le pourcentage de fausses reconnaissances pour les mots nouveaux selon leur caractéristique « recombinatoire » (recombinés ou partiellement recombinés), et ainsi comparer les résultats des deux modèles aux résultats expérimentaux.

Prédictions. Les mots anciens devraient être plus souvent reconnus que les mots

nouveaux recombinés, lesquels devraient également être plus souvent reconnus que les mots nouveaux partiellement recombinés.

Figure8 – MCE : Pourcentage de bonnes et fausses reconnaissances selon le type de mot

pour les données expérimentales et les simulations des modèles MINERVA2 et ATHENA

Résultats. Bien que les résultats de la figure 8 semblent différents pour l’expérience

originelle, MINERVA2 et ATHENA, nous pouvons remarquer que le pattern de réponse reste globalement le même. Pour MINERVA2, le pourcentage de reconnaissances correctes (97.99 %) des mots anciens est supérieur au pourcentage de fausses reconnaissances des mots nouveaux recombinés (59.85 %) de manière significative (2_{.1/ D 2766:632I p <}

0:001). Et le pourcentage de fausses reconnaissances des mots nouveaux recombinés est supérieur au pourcentage de fausses reconnaissances des mots nouveaux partiellement recombinés (38.38 %) de manière significative (2_{.1/ D 24570:202I p < 0:001). De même,}

pour ATHENA le pourcentage de reconnaissances correctes (67.54 %) des mots anciens est supérieur au pourcentage de fausses reconnaissances des mots nouveaux recombinés (59.14 %) de manière significative (2_{.1/ D 455:805I p < 0:001). Et le pourcentage de}

fausses reconnaissances des mots nouveaux recombinés est supérieur au pourcentage de fausses reconnaissances des mots nouveaux partiellement recombinés (40.55 %) de manière significative (2_{.1/ D 2073:549I p < 0:001). Les erreurs recombinatoires sont effectives}

pour les deux modèles et permettent de s’assurer que les recombinaisons illusoires sont modélisables par l’emploi de l’ecphorie synergétique en inter-composantes.

Simulations 3.1. ATHENA et MINERVA2

quer que si les mots nouveaux recombinés ne sont pas différemment reconnus d’un modèle à l’autre (2_{.1/ D 3:138I p D 0:077), le pourcentage de bonnes reconnaissances de mots an-}

ciens est plus élevé pour MINERVA2 que pour ATHENA (2_{.1/ D 9750:073I p > 0:001),}

et le pourcentage de fausses reconnaissances est plus élevé pour ATHENA que pour MI- NERVA2 (2_{.1/ D 29:566I p < 0:001). ATHENA est sujet à un pourcentage d’erreurs de}

reconnaissances plus élevé que MINERVA2.

En complément de la simulation du paradigme DRM, cette simulation nous montre que les capacités de MINERVA2 liées à l’emploi de l’ecphorie synergétique sont effectives pour ATHENA. Cependant, si MINERVA2 y parvient par la recombinaison concrète de contenus représentationnels, ATHENA y parvient par une contextualisation de covariances non-représentationnelle. Cette contextualisation complexifie grandement les interactions qui ont lieu entre les traces : le modèle ATHENA se construit par inférences de corrélations, ce qui — comparativement à MINERVA2 — permet une plus grande flexibilité mais provoque aussi une tendance plus importante à faire des erreurs d’attributions.