S. R ÉGNIER
Classification et analyse des expressions plastiques non- figuratives de malades mentaux
Mathématiques et sciences humaines, tome 82 (1983), p. 45-65
<http://www.numdam.org/item?id=MSH_1983__82__45_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1983, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
CLASSIFICATION ET ANALYSE DES EXPRESSIONS
PLASTIQUES
NON-FIGURATIVES DE MALADESMENTAUX *
S. REGNIER
INTRODUCTION
En vue de mettre en lumière l’influence
hypothétique
du troublepsychique
sur les
expressions plastiques non-figuratives
de malades mentaux, leC.I.D.E.P ~~
nous a fourni :
a) Les
descriptions
formelles de 200gouaches non-figuratives.
b) Des classifications en 7 classes effectuées sans critère
imposé
par des examinateurs bénévoles : médecins,peintres,
etc. sur ces mêmes200 tableaux.
c) Le
diagnostic psychiatrique
de l’auteur dechaque
tableau.Notre
objectif principal
était de détecter une influence du troublepsychique
dans les structures des oeuvres. Aupréalable,
il semblait bonde comparer les
descriptions
formellessystématiques
fournies par le C.I.D.E.P.avec le contenu
perceptible
des oeuvres telqu’il pouvait
ressortir despartitions
b).* Note 22 / Janvier 1966
** Centre International de Documentation concernant les
Expressions Plastiques.
Fondation
Singer-Polignac.
Nous avons étudié :
1/. D’abord la cohérence des 27 classifications b/ et extrait une sorte de
partition
moyenne définie comme un centre des moyennes distances entre les 27points
donnés.2/. Ensuite, la distance ou corrélation
(X2)
entre cette"partition
centrale"et les
partitions
"formelles"qui
se trouvent définies par les critères de ladescription
formelle a/ :présence
ou absence d’une certaine couleur, d’un certainprocédé,
etc.3/. Enfin, les corrélations entre ces
partitions
formelles et lapartition
définie par les
diagnostics
c/ : névroses,psychoses non-schizophréniques
ouschizophrénie.
Ces dernières liaisons se révèlent moins nombreuses et moins fortes que les
précédentes. Quoiqu’ils
rendent bien compte du contenuperceptible
desoeuvres tel
qu’il
ressort de b/ les critères formels a/ sont presque tousindépendants
du contenupathologique
éventuel défini par c/.4/. Un
point
de vue nouveau pour l’étude et lacomparaison
departitions
a étéélaboré à
partir
dupoint
1/. L’ensemble P(E) departitions
de E(fini)peut
être
représenté
dansRExE
par unepartie
du cube(0,1)ExE
(matrices de 0 et de 1).Des
techniques
linéairesplus
variées que les techniques duX2 ont
pualors être
employées.
. Pondération d’un
système
departitions
C.. Construction d’un centre de moyenne distance, d’abord dans le cube (centre de
gravité) puis
sur P(projection).
. Calcul inverse par
projection
(moindres carrés) d’unepondération
dont lecentre de
gravité
soit leplus proche possible
d’unepartition
donnée D..
Appliquée
à un nouvelobjet,
cettepondération
définit une mesure deressemblance
optima
par rapport à lapartition
donnée D; d’où résulte unetechnique
nouvelled’analyse
discriminante rattachant chaque nouvelobjet
àune classe de D.
1
Perception :
Etudeintrinsèque
desclassifications subjectives
Chaque examinateur
a fourni unepartition
des 200 tableaux en 7classes et
donné
destitres à
ces 7 classes.L’analyse
de ces noms de classerévèlent
desréférences plus
souventintellectuelles
chez lesneintres
pro-fessionnels, plus
souventaffectives
oupercertives
chez les autresexamina- teurs,
naistoujours très
variables de l’un à l’autre.On s’est
facilement convaincu
oue les noms de classesrésultent
de laconfrqntation
examinateur-tableau au fil de la formation des classes(les
200eouaches étaient rrésentées
enàne temps
pardiepositifs
sur unetable
lumineuse).
Ce sontdes justifications
aposteriori.
L’examinateur fomeprogressivement
une relationd’équivalence
entretablea=,basée
surleurs ressemblances deux à
deux,
et donne àchaque
classe unedéfinition qui peut
varierprogressivement
avec son contenu. On a voulu tester lacohérence
de ces
partitions
etdéfinir
une sorte de moyenne des27 partitions
obser-vées,
abstraction faite desdésignations
des 7 classes.Il cst
impossible.
d’additionner despartitions
comme des nombresréels pour former moy
(x) = 1
Ex.
; mais onpeut définir
entrepart-
F Y
n 1 F
tions
desdistances
asez naturelles. Les relationsd’équivalence associées
à
2partiticns X,
Y de E sont 2parties X’,
Y’ de E xE,
et une distancie Dnaturelle est donnee par le cardinal de 1~,
différence symétrique
deX’,
etY’.
C’est :
D2
= nombre deraires 1,j
E E x Eclassées
ensemble par X et ras par You par Y et pas par X.
Ici
X et Yreprésentent
2 examinateurs etD2 prend
un senstrès
concret.C’est le nombre de concessicr.s nue doit
faire
X rouraccepter
lapartition
de
Y, chaque
concession consistant :-
soit
à réunir 2 tableaux que X avait dissociés- soit à
séparer ’--
tableaux que X’,’ avaitassociés.
Cette distance
étant définie,
cnpeut considérer
un centre des moyennes distances des 27partitions
s,.Ce
problème peut
avoirplusieurs
solutions. Nousappellerons
chacuneune
laxtition
centrale.C’est une
partition
surlaquelle
les 27 examinateurspourraient
se mettre d’accord auprix
d’un nombre minimum de concessiors mutuelles.C’est donc une bonne notion de
partition
moyenne. Sur leplan
calcu-latoire,
la distance D ci-dessusprésente
degrands avantages.
Chaque partition
deE
=lesntableaux, peut
êtrerepré3entée
par une matrice s(nxn) où ;
s.. = 1 si i
et j
sont dans lamême
classe.1J
0 sinon
L’ensemble
P(E)
despartitions
de E est ainsireprésenté
dansensemble des matrices n x n, par une
partie
du cube= ensemble des matrices booléennes = matrices d’une relation
quelconque.
La distance
D2 entre partitions
est la restriction à P(E)
de la distance Euclidienne deConsidérons alors lcs
27
matricessk
k =1,
2 ... 27. leur centre de moyenne distance dansRn x n
estsimplement
le centre degravité
et toute autre matrice X vérifie l’identité de
Koenig
Ainsi
H (X)
etD2 (,, m)
atteindront leurs valeurs minima sur lememe
ensemble departition?centrales X.
La matrice m résume toute l’infonnation utile pour ce
problème.
Nousl’avons
appelée Juenent
moyen.Chaque
coordonnéereprésente
la2rQpc)£L’lion
d’examinateursqui
ontgroupé
ensemble les tableaux iet j.
C’est donc une mesure naturelle de la ressemblance des 2
tableaux,
sur leplan
dela
perception.
Dans la littératureclassificatoire,une
telle matrices’appclle
engénéral
une SIMILARITE. Les 27 distancesD2 m permette
de classer lesnateurs dans un crdre
intéressant.
Lespeintres professionnels
se sont révélésplus
"excentriques"
que les médecins :plus éloignées
de m.Le
problème :
se
simplifie
enremarquant
que P(E)
et le cube(0,1~ n ~ n
sot inscrits dans unesphère
de centre H :__ 2
si bien que 51 doit maximiser le
produit
scalairc Euclidien :ou encore 1& forme linéaire
homogène :
Ce
problème
linéairerelève
alors enprincipe
de laprogrammation
linéaire.Un
algorithme heuristique beaucoup
moins lourdpeut
se construire enenchaînant
des transferts de tableau d’une classe dans une autre de
façon
àaugmenter
leplus possible.
Pourplus
de détail on pourra sereporter
à(2).
L’algorithme
des transfertspermet
naturellement de borner le nombre de classes. On a donc établi unepartition
centrale en 7classes,
meilleure que touteautre,
en 7 classes ou moins.A
partir
dujugement
moyenmi.,
onpeut considérer
une r©lation Jen définissant des
paires
de tableaux "fortement"associés,
relativement au seuil S.Sa fermeture transitive est une relation
d’équivalence R.
Deuxobjets
iet j
seront R -
équivalents
s’il existe une chained’objets
i =il, i 2
...in = j
le
long
delaquelle
2objets consécutifs
sonttoujours
fortement associés. On démontre que pour S =1/2,
lapartition
associée est moins fine que lapartition centrale.
Test de
cohésion.
Les 27
partitions peuverlt ttre considérées
comme 27éléments aléatoires indépendants
de
même
loi L sur P(E)
et L sedécompose
en unproduit
ou
L (ni)
est la loi cierépartition marginale
dusystème
d’effectif s des 7 classes 1 1(une partition
de l’entier n =200~
et
L ( s / ni
est la loi conditionnelle de squand
lesystème
d’effectif est fixé.2 1
Les 27
points
3onnéssk permettent
enprincipe
d’estimer la loi L.L’information
contenue
serait nulle si nous avions affaire à 27 examinateursaveugles
ou
tricheurs qui
auraient classé les tableaux sans lesregarder 1
L (ni) pourrait
Otre une loiquelconque,
maisL { s / ni)
serait une loiinvariante
parpermutation
desobjets
loi unif orme sur l’ensemble des
partitions
s d’ ef f ectif sn..
Cette formule
exprime
unehypothèse composite qu’il
conviendrait detester
indépendamment
de la formulationphysique
un peu caricature,lequi
nous y conduit.La construction â’ un test
rigoureux
seraittrès difficile,
nous nous sommescontentés jusqu’ici d’examiner l’hypothèse simple HO où
les := numéro de la classe
attribué à l’objet
i par 1 t eY.aminateurk,
(
seraient des vaBà>lesaléatoires uniforme indépendantes sur 1,
2... 7 ~
ou 1 avec la
probabilité
chaque m.;.;
aurait la mtmeespérance mathématique
et pour variance :On a constaté que q
es -- 2
2m.2
avaient une moyenneempirique de :0.095
1~ Y p q
qui
autorise àrejetter
cettehypothèse g0
trèsparticulière.
II - Création et
perception
Les 200
gouaches utilisées,
comme les autres tableauxarchivés,
sontsoumis par le C I D E P à une
analyse
formellesystématique
très détaillée(voir
annexe
(1) ).
On en a retenu52
items bivalentsparticulièrement pertinents
dans lecas non
figuratifs. Chaque
tableau est décrit par laprésence
de certains items :couleur
noire,
traitcerné,
surface entièrement couverte etc ...comparaison
d’un Itemavec une partition
’
Une
première question
intéressante étaitd’évaluer,
pourchaque
examina-teur,
ou pour 1~partition
centraleX,
dansquelle
mesure un itemparticulier
in-tervient dans la fondation des 7 classes.
Un tableau croizé tel que le suivant : Surf ace non limité
classe nO
item
présent
item absent
total
indique
lafréquence
de j’item dans chacune des 7 classes.Lorsque
lafréquencc
relative s’écarte
beaucoup
de lafréquence générale 73 / 200 ,
onpeut présumer
aue cet item ajoué
unrOle
d-;ns la formation de la classe considérée : parexemple ici,
cet item est fortement
présent
en classe 5 et absent en classe6.
Pour
reconnaître
si ces écarts sontsignificatifs
dans leurensemble,
onpeut
formerle chi 2 habituel
et le comparer autables . :. du chi 2 avec
(7 - 1) (2 - 1) degrésde liberté.
En effetcette distribution
s’appliquera
si pourchaque tableau,
laprobabilité d’appartenir
à chacune des 7 classes la
même
dans les 2lignes, indépendamment
de laprésence
ou l’absence de l’item
considéré.
Cette
statistique
est deplus
invariante parpermutation
descolonnes,
etindépendante
de la numérotation des 7 classes. La page montre tous les items classés par
X2 décroissant,
relativement à lapartition
centrale en 7 classes.B -
Comgpqraison globale
B
1 constructionà rtir
des itoms formels d’unesimilarité
moyenneadmet.-
tant
_pour partition
centrale.La
procédure
T : m - X
tel que
D2 (X, ~)
soitminimum, qui
définit lapartition
centrale X n’est pasbiunivoque.
Les
points
mqui
conduisent aumdme point
X forme unc6ne
convexe T’(X),
ensenbleinfini de demi-droites issues de H = centre du cube dans
(o, 1) n x nde R n x n
Il est limité par les
hyperplans
médiateurs descouples
depoints X, Y,
pour toutY
pris
dansP(E).
On s’est demandé si un
point
G de T’(X) pouvait être
une fonctionsimple
des52 partitions
définies par les itemsformels,
defaçon
à voirsi, globalement,
ccsderniers fournissent la
même
information que les 27partitions
des examinateursChaque
item définit unepartition
de E en 2 classes :et toute moyenne
pondérée
despoints C’
sera un nouveaujugement
moyen Ganalogie
à m. Mais ici iln’y
a aucune raison d’attribuer aux 52 items despoids égaux.
(Alors
que les 27 examinateursétaient
naturellement sur lemême pied).
Nous pre11- drons donc les52 poids Pk
comme des inconnues.Sous la condition
a)
Zp 1=
=1,
lepoint
G = 1p 1r C parcourt
la variété a.ffine Aengendrée
par lesC k
dansx n
est seulement la fenneture convexeQ
des Csi 0 pour tout k .
Comme T
(G)
nedépend
que de la demi droite H C- onpeut remplacer a)
par :b) :
Eplr
> 0l’équation
en G : T(G)
=X, équivalente à :
G Ti
(X)
ne sera
possible
que si A coupe lecône
convexe TI(ùl) .
Dans une
première étape
ducalcul,
il estplus simple
de laisser Gparcourir
toutela variété linéaire A’ 13
A, engendrée
par H et lesCk)en postant
H G = Z
Pk
HCk
sans restriction sur lespoids.
L’équation
T(G)
= X définit alors unsystème d’inéquations
concernant lespoids Pk.
Dans la
perspective
del’algorithme
des transferts définici-dessus.,T (G)
estune
fonction multivoque
définissant1 ou plusieurs
"maxima locaux".Si X
comporte
pclasses,
nonvides,
Xpris
dans T(G) implique
n(p - 1 ) inéqua-
tions relatives au transfert de chacun des n
objets
dans une autre classe que lasienne ,
sienne
+ n
inéquation
de transfert dans une classevide (pour
former uneclasse de 1
objet)
inéquations
relatives auxréunions
de classes.Dans la
perspective
de laprogrammation
linéairerigoureuse
onaura1Qzutant d’iné-
quationsaue
lepolyèdre engendré
par P(E) comporte
desomnetsadjacents à 11.
Dans les 2 cas le nombre
d’inéquations dépasse
debeaucoup
le nombre d’inconnues(52),
etl’équation
C)
x E T(G) risque d’être
presquetoujours impossible.
Pour obtenir
quand
même un résultatutile,
il est naturel deremplacer
C)
par leproblème
suivant :Soient
a. (G) b,
lesinégalités
deC).
On considère alors le programme linéaire,i - 1.
Ce
critère
ne laisserapositives
que les variablesy+ correspondant
à desi
a. (G)
>r..
1 1
La solution va
définir
unpoint
G tel que la somme des écartsa . (G) - b . relatifs.
aux
inégalités
i non vérifiées soit minima.Le
critère
sera nullorsque
leproblèmc C)
estpossible.
Dans le cascontraire,
il est bon que z ait un sens
économique
utile. Pourcela,
dans laperspective
destransferts on
impose
la conditions normalisante :De cette
façon
les divers écartsy i
ont mesignification analogue.
i
Une condition de cette
espèce
est d’ailleurs nécessaire pour exclure la solution triviale ded) :
qui correspond
au fait que pour G = H T(G) = ? (E).
Toutes les
partitions
sontcentrales y
à lam8me
distancen2 4
de H.B.2 - Construction d’une
similarité
moyenne la plus voisine d’unpoint donne.
Les calculs
ci-dessus,
assezlourds,
n’ont pas encore étéprogrammés.
Une
procédure plus simple
consiste àchercher,
dans il ouA·,
lepoint
G leplus
voisin de la
partition
Xdonnée.
Cette idée devoisinage
mérite audépart
uneanalyse
La
procédure
T : G --i T(G) =
Xréalise
le minimum deD2 h G)
et le maximum de H )1 . H G parrapport
àX,
et nedépend
que de la demi droite H G.Par
rapport à
cetteprocédure :
a =(HX, X G)
définit une bonnc distanceclassificatoire entre les
points X
etG,
définis pour tout X et G dansRn 2
Nous
appelons poildération optima
lesystème
depoids Plr qui
définit :La solution
quand
G EA’,
sans restriction sur lespoids,
y est donnée par G =projection
de X sur A’et se calcule par la méthode des moindre
carrés.
=
Quand
oni.mpose
G6’A,
soit £Pk
=1,
la solution G’se déduit de G par des considérationsgéométriques simples :
les 2 demi droites sontidentiqucs
si lasomme des
poids
deG
estpositive.
Dans le cas contraire HG’est parallèle
à laprojection
de H U sur 1+.Par contre la détermination d’un
optimum
dans lepolyèdre convexe Q engendrée
par les
C k
relèverait de laprogrammation linéaire,
sur unesphère (H, 1 ~,
etserait sensiblement
plus compliquée, excepté lorsque
la demi-droite TI7 traverse Q.
Résultats
Au contraire de la
précédente,
cette constructions’applique
même si Xest un
point quelconque,
et non pas unepartition.
On l’a doncappliqué
à la fois à :X =
partition
centralem =
jugement
moyen les résultats sont :G est ici la
projection
de X ou m sur A’(engendré
par H et lesC")
Les distancesn
D’ (X, G)
doivent êtrecomparées
à leur bornesupérieure :
n2 -
40.000 pour ladiagonale
ducube, elles
sont doncpetites,
etla distance
35
entre les 2points C, G’, projection
de et m, est trèspetite.
Ceci
dit,
nous ne savons pasinterpréter statistiquement
tous ces résultats. Laquestion
reste ouverte, Onpeut
noter que si H X(ou
Hm)
était distribué uni-normé- menten direction
dansl’espace R
des matricessymétriques,
avecserait un F de Snédécor avec :
52
et m - 52degrés
deliberté,
et Cos a serait distribué comme un coeîficient decorrélation multiple.
Ici n =
200,
m =19.900, ce point
de vue attribue au cos« des seuils dcsignification
excessivementpetits.
Une
hypothèse
nullc url peuplus
réaliste serait : Ho : Less k
sont des variables aléatoiresindépendantes
d, loi uniforne sur P(E)
On établi facilement que la moyenne de cette
loi,
dansR ,
le cardinal de P
(E) =
nombre departitions
de nobjets
n
(P
= LFm, où p désigne
le nombre departitions
en m classes non videsn m = 1 n
n
= nombre de
Stirling
de2e espèce)
La variance de cette loi
peut
ttre définie par une matrice carrée V à mlignes
etcolonnes, où :
1
Alors la moyenne m de k
(=27) partitions
s,K
est
répartie
à peuprès
noimalementavec la
mtme moyenne X
etpour
varianceOn
pourrait
alorspréciser
la loi de : a =angle
de H m avec le sous espace A’de dimension
52, (non aléatoire).
II -
Création
ettrouble psychique
Sur une
partie
des 200tableaux,
le C I D E P nous a fourni unepartition
D en 3
diagnostics :
. N = Névrose
(51 auteurs)
P =
Psychose
nonschizophrénique (27 auteurs)
S =
Psychosc schizophrénique (100 auteurs)
Sur cet échantillon
restreint,
de 178 oeuvres, onpeut
refaire les mêmes études que ci-dessus :A -
Comparaison d’un item îormel
avec DLes
X2
ont été calculés. Deux seulement sontsignificatifs
et lestableaux
croisés correspondant indiquent
que les couleurs"noir"et"gris"
étaientemployées
leplus
par lesnévrosés,
le moins dans le groupe P. - voir p. 64.B -
Comparaison globale
On a
également projeté
D sur la variété affine et obtenu :Ces résultats concordent avec ceux de A : le
système
d’items formels recouvrte très mal lapartition D, beaucoup
moins que lapartition
X centrale desexaminateurs y
et que leur
jugement
moyen.à
(3 - 1) (7 - 1)
= 12degrés
deliberté, significatif.
1~
D,
A’ forme presque unangle droit,
alors queH D est
plus
"loin" de 1:B que 1-1 X. Il n’ est donc passurprenant
de constater que lespartitions
X et D sont trèsindépendantes.
Le
x2
de leur tableau croisé vautE, ~58,
avec(7 - 1 ~ ~3 - 1 ~ degrés
deliberté.
C - Analyse discriminante d’ un nouveau tableau
A
partir
d’unsystème
depoids pk considéré
commeoptimum,
ladescrip-
tion formelle d’un nouveau tableau t
définit 178 (ou 200)
mesures de ressemblance entre t et les tableaux i =1,2
.. 178(ou 200) déjà utilisés
k
Cit
étant la variable indicatrice =1 si i et t sont dans la r0153mo classe pourl’ item r
= 0 sinon
On
peut
en déduire les "attractions" de t vers les diverses classes d’u.nepartition quelconque
D(ou X)
Ces attractions
jouent
unr81e
naturel dansl’algorithme
des transferts : si lapartition D(ou ~
est centrale relativement à lasimilarité
,
pour les n
premioers objets, l’extension X de
X aux r. t 1objets,
obtenuenajoutant
1 classe contenant t tout
seul, n’ est pi us
ccntralp engénéral.
Le transfert le
plus avantageux
del’objet
test défini par le oax. de t legain correspondant
sur la formelinéaire
est
précisément
D’une
façon purement heuristique,
nous sommesconduira
poser larègle
suivante :r
Max. 0 le nouveau tableau t est"unique
on sonenre"
R f A t
le nouveau tablea1,l t est"un-Clue
en songenre"
R
/
WR
t Sinon,
la classe C( t ) correspondante
est celle ou ils’intègre-
le mieux.Nous avons
appliqué
cetteprocédure
a)
A lapartition
D avec lespoids p
donnant G leplus
voisin de Davec 50 nouveaux tableaux t. Le
premier
cas seprête
« uncontrôle :
laprocédure n
attribue àchaque
tableau t une sorte dediagnostic automatique
selonla
On
peut
comparer ce résultat audiagnostic réel,
enespérant
defréquentes
coïn-cidences. Les résultats ont été très
mauvais,
larècle
Rintègre
presque tous lesnouveaux tableaux dans la classe la
plus
nombreuse de D : S - 100 tableaux deschizophrènes, (contre 51
et27)alors
que leurrépartition
réelle est :7N,
6P, 34 S
Cet
échec n’était
pas absolumentsurprenant, compte
tenu descorrélations
faibles entre lapartition
D et les itemsformels, pris
individuellement ouglobalement.
De
plus,
on aconstaté
queG, projection
de D surA’, n’appartient pas a
T’(D)
C’est-à-dire que la
procédure
Rappliquée
aux 178 tableaux de base nerespecterait
pas non
plus
lesdiagnostics .
Ctest en raison de ce
résultat
que nous avonsdéfini
laprocédure B 1. Il
est cepen-dant
probable
que A’ ne coupe pas le cone T’( D).
Dans le cas
b)
lesrésultats
semblent àpriori
moinschoquants: sur 50
nouveauxtableaux, la
procédure R définit :
Mais il est difficile d’effectuer un
contrôle précis
de la valeur des résultats : Lapartition
X estd’origine subjective,
on ne sait pas apriori à quelle
classerattacher Ul1 nouveau
tableau,
à moins de demander àchaque
examinateur son avis et AI en tirer à nouveau unjugement
moyen etc...Comparaison de
larocédure
R et destechniques classiques d’analyses discriminantes
Le
problème
abordé par cestechniques
est le suivant :1
1ère
forme : Etant donné g lois deprobabilité
L sur unmtme
ensemble F estimer si une observation x dans F obéit à l’une ou l’autre. La solution du maximum de vraissemblance affectera à lapopulation L où
p(x / L)
estmar,
pdésignant
soit la
probabilité ponctuelle quand L,soit
la densité en xquand L,quand
les g loissont continues.
2eme
forme : Les g lois derépartitions
ne sont pas exactement connues mais estimées àpartir
de g échantillons "do’ base"quelconque.
Apartir
de ces estimationson
peut opérer
comme dans le cas 1. Ceproblème
estparticulièrement
bien étudiélorsque
les gpopulations hypothétiques
sont normales avec la même matrice de varian-ce inconnue dans un espace F =
Rn. Voir
références[1]
et[2]
Les surfaces
discriminantes, séparant
lesrégions
ou telle densité estplus grande
que les
autres,
sont alors deshyperplans.
Notreproblème
est de la2eme
formemais notre ensembles F est fil1i;
les
descriptions
formelles de tableaux sont despoints
de l’en-semble F =
(0, 1 52
de cardinal252.
Chaque population
de malades définit une loi derépartition
inconnue sur cetensemble fini. Et chacune des trois lois est estimée à l’aide d’un échantillon :
51, 27,
ou 100points.
Onpeut
évidemmentconsidérer
les loisempiriques
définiespar
chaque
échantillon comme la meilleure estimation de la loiréelle.
Hais ces lois
empiriques
ont dessupports très petits
dans(0, 1) 52.
Un nouveau tableau tombera en
général
en dehors des 3supports,
avec unedescription
formelle distincte des 178
descriptions
de base. Les3
vraissemblances seront nulles et lecritère
du maximum de vraissemblance estinopérant.
Sans
hypothèse supplémentaire,
cette méthode ne classe donc que des tableaux"foimellement
identiques"
à l’un de ceuxqui
définissent les3 échantillons.
Il semble d’autrepart
difficile de formuler unehypothèse supplémentaire
efficace ctraisonnable.
a)
Onpeut
penser àl’hypothèse
denormalité :
(0 1)52 peut
sereprésenter
comme un cube deR52
Il est
évidemment possible,
mais trèsdéformant,
de traiter les3
distributions sur ce cube comme des lois normales.b) L’hypothèse d’indépendance
Pour
chaque population,
les distributions de 2 itemspourraient ttre indépendantes.
Les lois nedépendraient plus
que des52 paramètres :
pk
=probabilité
deprésence
de l’item k. Leur estimation sera différente de 0 et 1 pour presque tous les items disons m sur52,
et lesupport
de la loi occupe alors2m points
sur les2~~.
Le critère du maximun de vraissemblance est alorsopérant.
Mais cette
hypothèse
est certainement erronée dans le casprésent :
dans une m$mepopulation
pour certaine combinaisond’items,
tels que noir - rouge, laprobabilité
conditionnelle de
présence
de l’un va être affecté par laprésence
de l’autre.De ce
point
de vue,l’hypothèse
de normalité estbeaucoup
moins restrictivepuisqu’elle ùltroduit,
enplus
desparamètres (p~)
=point
moyen,d’où
résultentles variances
coefficients de corrélation cov~riance
(k~ j, ) / s s
l, la
différence
de ces deuxprocédures plus directes,
laprocédure
R n’introduitaucune
hypothèse
arbitraire. C’estpourquoi
elle nous semble d’un certain intérêtthéorique.
Il faudra étudier sespropriétés statistiques
dans lesmodèles stochastiques
lesplus
utiles :1)
Probabilité des erreurs de classement2)
Test de validité de laméthode :
L’analyse
discriminanteclassique comporte
un testindiquant
siles g
échantillons sontsignificativement différents.
Dens lanégative
laprocédure
n’estplus
valable.De
mtme
dans latechnique R,
onpeut présumer
quelorsque
G esttrop
"loin" du coneT’
(D)
les items formels sonttrop indépendants
de lapartition D,
et que lnprocédure
est apriori
non valable.CONCLUSIONS
L’étude
intrinsèque
despartitions
fondées sur laperception
nejouait qu’un
rdlepréliminaire.
Les deuxcomparaisons :
création -
perception
création - trouble
psychique
nous conduisent au
résultat
suivant :Les
critères sélectionnés, pris
individuellement ouglobalement,
rendentbeaucoup
mieuxcompte
des classificationsd’origine subjective
que de lapartition
selon lesdiagnostics psychiatriques.
Si ce résultat devait se confirmer cela
pourrait signifier :
- que notre
codage trop
"formel" des tableaux estinapte
à transmettre leur"contenu
pathologique" éventuel. (Un expert pourrait expliquer
que "certainsigne caractéristique"
de laschizophrénie
n’a pas étécodé)
- ou même que cette notion de contenu
pathologique
ne recouvre rien dans les oeuvresnon-figuratives,
et que la manière d’unpeintre (interné) dépend
très peu deson cas,
beaucoup
moins que de-certains autrescaractères
socio-culturels.On
pourrait invoquer
lestyle
de VanGogli, plus marqué
sans doute parses
origines
flamandes que par sa maladie.Ces
extrapolations
tentantes doivent être limitées du fait que lespein-
tres de notre
étude,
saufe4ception,
nepeignent
que sur l’incitation du milieuau cours de leur internement. Leur activité est
plus comparable
à celle des enfants dans les ateliers depeinture spontanée qu’à
celle despeintres professionnels.
Pour
terminer,
nousrappellerons
que ce travail susciteplusieurs
réservez1)
Ladescription clinique
estsommaire,
desanalyses plus fines,
parprésence
et absence de
symttmes, pourraient
"entrer en corrélation" avec lesanalyses
formelles des oeuvres. Il serait bDn
d’ajouter
unedescription sociologique
du
peintre.
2)
Ltéchantillon de 200 tableaux estpetit
parrapport
au nombre deparamètres
à estimer dans cette
étude.
3)
Deplus,
mis àpart
latechnique
duX 2
pour lacomparaison
de deuxpartitions,
les
procédures employées
sont à notre connaissancenouvelle,
et nousignorons
leurs seuils de
signification
dans les modèlesstochastiques adéquats.
Ilserait
particulièrement
utile de les mettre àl’épreuve
sur desproblèmes
de classification moins ...
complexes.
Tri
croisé : NOIR / Diagnostic (p.
12A)
Le 2
calcule estsignificatif.
La couleur noire est doncplus employée
par les
névrosés,
moins pour lespsychoses non-schizophréniques.
Ceux-cil’emploie
cependant plus
que les autres dans leurs oeuvresfiguratives,
voir(5)
Réf’érences
bibliogra_phique-s
1. Cl. WIART - Automatisation Documentaire et
Expressions Plastiques
Projet
d’uneanalyse
formelle etsémantique
des oeuvrespicturales.
-
L’Encéphale n°5, 1964,
pp.604
à613 -
2. S. REGNIER - Sur
quelques aspects mathématiques
desproblèmes
de classifi-cation
automatique
- I C
C,
BulletinVol.4 NO = 5 -
3. Cl. WIART -
Expressions picturales
etpsycho-pathologie.
Essai
d’analyse
etd’automatique
documentaires.Principes,
méthode codification.- DOIN Paris
1966 -
4. Cl. WIART -
Expression picturale non-figurative. L’oeuvre,
soncréateur,
son
spectateur. (A partir
de 200gouaches
de malades mentauxprésentés
à 27"examinateurs").
- A
paraître -
5. J. UNAL - La couleur dans les
productions picturales
de malades mentaux(étude statistique)
-
(Thèse déposée) clinique
des maladies mentales et del’Encéphale
PARIS.6.
T.W. ANDERSON - An Introduction to Multivariate StatisticalAnalysis.
-
(1958)
WILEY -7. W. COOLEY and R. LOHNES - Multivariate Procedures for the Behavioral Sciences.
-