L ’a u to m at is at io n d e la t âc h e d e re ch er ch e v is u el le e t m n és iq u e: U n e ré v is io n
Denis CousineauP et it e x em p le d e re ch er ch e v is u el le
Le modèle sériel auto-cessantL ’a u to m at is at io n
❧Ex: conduite automobile ChargeNon Oui
Te mp s d e r ép on
se Bloomington Montréal
Non Oui
Te mp s d e r ép on
se Bloomington Montréal Pratique
Te mp s d e r ép on se
M o d èl e N o rm al 1 :
❧Conditions pour automatiser: ●Pratique avec la tâche ●consistance du lien entre le stimulus et la réponse ❧Phénomène Si les stimuli sont consistants: •Effet de pratique sur les moyennes et les écarts types •Disparition des effets de charges Si les stimuli sont inconsistants: •Peu d’effet de pratique •Persistance des effets de charges et interactions avec la réponseM o d èl e N o rm al 1 (s u it e) :
❧Explication: Deux processus: ●processus contrôlé: Comparaison sérielle auto-cessante •Facultatif, attentionnel, lent ●processus automatisé: •Ballistique, pré-attentionnel, rapide ❧Si novice ou inconsistance ⇒ processus contrôlé ❧Si entrainé ET consistance⇒ processus automatiséB u t
❧La consistance est-elle une contrainte sur ce qui peut s’automatiser? Est-on limité au schéma S→ R? ❧Existe-t-il une autre explication pour l’amélioration des performances?T âc h e u ti li sé e
Recherche visuelle et mnésique ❧But: Décider si un stimulus (cible) est présent sur un affichage test. ❧Charges: taille de l’ensemble mémoire (1, 2, 4) taille de l’affichage test (1, 2, 4) (demo)RLSH· 6 H ·* 500 ms 500 ms Réponse (±1 ms)
A ss ig n at io n
HÉTÉROGÈNE CiblesLeurres ❧Consistent Mapping (CM){L,H,R,S}vs{2,3,6,7} ❧Varied Mapping (VM){L,H,R,S,2,3,6,7} ❧Categorical Varied (CVM){L,H,R,S}vs{2,3,6,7} ou{2,3,6,7}vs{L,H,R,S} HOMOGÈNE _CiblesLeurres ❧CM{L,H,R,S}vs{Z,B,G,F} ❧VM{L,H,R,S,Z,B,G,F} ❧CVM{L,H,R,S}vs{Z,B,G,F} ou{Z,B,G,F}vs{L,H,R,S}R és u lt at s: C o u rb e d ’a p p re n ti ss ag e
❧Les groupes VM s’améliorent, mais pas autant que les groupes CMVM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
CM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
CVM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
HOMO MN HOMO SD HETERO MN HETERO SD
T h éo ri e d e l’ at tr ac ti o n d e l’ at te n ti o n
(Shiffrin et Schneider, 1977, Dumais, 1979) Les cibles sont tellement bien apprises qu’elles sautent aux yeux ●Pas d’attention nécessaire ●Pas d’effet des charges La force de l’attraction de l’attention croît avec la pratique si et seulement si les cibles sont consistantes. ⇒ «Charlie devient fluorescent»VM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
R és u lt at s: E ff et s d e ch ar g e V M
❧Effet de la charge très important ❧Interaction avec l’effet de la réponseVM Positive 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
Mil lis ec on ds
VM Negative 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
CM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
R és u lt at s: E ff et s d e ch ar g e C M
❧Effet de la charge minimes ❧Pas d’interaction avec l’effet de la réponseCM Positive 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
CM Negative 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
Mil lis ec on ds
CM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
R és u lt at s: E ff et s d e ch ar g e C M b lo c 1
❧Pas d’effet pour le groupe Hétérogène dès le début de l’apprentissageCM Positive 400
500
600
700
800
900
1000
1100
1200
1300
1400 124 D size
CM Negative 400
500
600
700
800
900
1000
1100
1200
1300
1400 124 D size
CVM Positive 350
400
450
500
550
600
650
700
750
800
850 123456789101112 Block
R és u lt at s: E ff et d e ch ar g e C V M
❧Il y a une distinction très nette entre Homogène et Hétérogène: ●Pas d’effet de charge pour le groupe Hétérogène; ●effet important pour le groupe Homogène.CVM Positive 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
Mil lis ec on ds
CVM Negative 200
300
400
500
600
700
800
900
1000
1100
1200 124 D size
C o n cl u si o n s su r le s m o y en n es
❧La consistance n’est pas suffisante pour expliquer le phénomène de l’automatisation: ●Peformances automatisées sans consistance (CVM HETERO) ●Par contre, il n’est pas possible d’avoir des performances automatisées s’il n’y a pas de catégories pré-formées dans un environement sans consistance (CVM HOMO) ●Le rôle de la consistance est de former des catégories (CM HOMO) ●La pratique de la tâche n’est pas toujours nécessaire (CM HETERO au bloc 1).T h éo ri e d es t ra ce s m n és iq u es
(Logan, 1988) ●On mémorise chaque rencontre avec le stimulus ainsi que la réponse émise à cette occasion; on récupère en mémoire la réponse associée à l’affichage test, ●mais! Ces traces mnésiques ne sont utiles que si les associations S→ R sont consistantes. Avec la pratique, on emmagasine de plus en plus de traces de ces association en mémoire; Récuperer une trace est plus facile s’il y en a beaucoup en mémoire. ⇒ «On se souvient où se trouve Charlie»VM HOMO positif 100
120
140
160
180
200
220
240
260 400500600700800 Moyenne
Éc art s t yp es
VM Positive 0
100
200
300
400
500
600
700
800
900
1000 123456789101112 Block
R és u lt at s: l es é ca rt s ty p es
❧Pas de déviation systématique ❧Les moyennes ont la même courbure que les écarts typesC o n cl u si o n s su r le s éc ar ts t y p es
❧Les écarts types ont la même courbure que les moyennes correspondantes pour une majorité de sujets. ❧La consistance ne détermine pas le comportement de la variabilité ❧Pas de distinction nette entre CM et VM→ il n’y a sans doute pas deux processus (contrôlé et automatique)P et it i n te rl u d e m at h ém at iq u e
❧Selon un modèle sériel auto-cessant: Dans un processus controlé, les écarts types doivent aussi avoir la même courbure que les moyennes⇒ Le «critère de Logan» est donc toujours vrai! ❧On observe une pente≈ .60 dans les conditions VM601.0 12
2
)( 12
)()()()(
)( 2
1
)()( 2
00 ≈= ∆∆ ⇒≈
+=
++ =
+= ++
+
+ MNSD
CEn
CEnVarnECVarSD
tCEn
tCEnEMN
E x p li ca ti o n a lt er n at iv e: l e C ro ss - se ct io n n al /L o n g it u d in al m o d el ( C L )
Hypotèses: ●Les unités de base sont les caractéristiques qui compose les lettres, et non la lettre en soi ●Le participant cherche à être efficace: il veut repérer les traits les plus diagnostiques en premier et ignorer les traits inutiles Résultats attendus ●CM⇒ grande amélioration ●VM⇒ faible améliorationS im u la ti o n p ar o rd in at eu r d u C L
Architecture sérielle auto-cessante Apprentissage: ●Ordonne les traits en ordre d’importance ●Élimine les caractéristiques les moins diagnostiques HLRLB ZGCharge mnésiqueCharge visuelle (11, 6, 7), (11, 2), (5, 2, 1, 7) (11, 2), (11, 1, 9), (2, 1), (2, 1, 7)
11, 5, 6, 2, 1, 9, 7, 3, 8, 4, 10, 12
Importance des traits + -
diagnosticité Traits inutiles
R és u lt at s d e la s im u la ti o n
200300400500600700
800900100011001200 1234 D size
m ea n R T
0%10%20%30%
40%50%
60%70%80%90%100%
Percent Error
010
20
304050
6070 1234 D size
N o f f ea tu re s
C M V M 200
300
400500
600
700
800900
10001100
1200 1234 D size
m ea n R T
0%
10%
20%30%
40%
50%
60%70%
80%90%
100%
Percent Error
010
20
30
40
50
60
70 1234 D size
N o f f ea tu re s
R és u lt at s d e la s im u la ti o n ( su it e)
200300
400
500
600
700
800
900
1000
1100
1200 0510152025303540455055606570 number of features
200
300
400
500
600
700
800
900
1000
1100
1200 0510152025303540455055606570 number of features
200
300
400
500
600
700
800
900
1000
1100
1200 0510152025303540455055606570 number of features
200
300
400
500
600
700
800
900
1000
1100
1200 0510152025303540455055606570 number of features
H E T E R O H O M O
PositifNegatif
C o n cl u si o n s u r la s im u la ti o n
●Rend compte des moyennes dans toutes les conditions ●Explique aussi les ecarts types positifs ●Cependant, explique moins bien les écarts types négatifs ●Apprend plus rapidement que les sujets humains. ●La courbe d’apprentissage des moyennes et des écarts types sont proportionnelles ●On observe des effets de catégories dans les résultats Le modèle CL propose un processus unique, simple, ne nécessitant pas de paramètres libres pour comprendre les effets des catégories et de la similaritéC o n cl u si o n g én ér al e
❧La consistance n’est pas nécessaire pour automatiser échec du schéma S→ R S→ T(C) → R où T est un transducteur qui utilise des catégories ❧Pas de dichotomie (contrôlé-automatisé) entre les novices et les experts dans une tâche de recherche visuelle et mnésique. ❧Le CL procure une définition d’ «Efficacité»Merci pour votre attention.
VM HETERO Negative 0
100
200
300
400
500
600
700
800
900
1000 02004006008001000 Empirical
Pre dic te d
VM Positive 0
100
200
300
400
500
600
700
800
900
1000 123456789101112 Block
R és u lt at s: l es é ca rt t y p es ( 1 /1 )
❧Méthode de comparaison utilisée par Logan.Probability density function 0
0.001
0.002
0.003
0.004
0.005 225425625825 RT
f ( R T )
C = 2.0 a = 250; b = 200
A n al y se s d is tr ib u ti o n el le s (1 )
Les statistiques usuelles sont inadéquats: ●La moyenne est biaisée par l’asymétrie de la distribution des temps de réponse ●Les écarts types sont très difficiles à analyser (ÉT intra- sujet? Intra-condition? Puis moyennés?)Moyenne