La mod

1
La modélisation en psychologie à quoi bon?

• Robert M. French
• L.E.A.D. CNRS
• U. de Bourgogne

2
Quentendons-nous par un modèle? Une réponse
possible  La réduction à lessentiel dun
phénomène en vue de lexpliquer
3
Un bon modèle doit

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 
• Expliquer les données.
• Faire des prédictions au delà des ces données
• Indiquer clairement son contexte dutilisation.
• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu aux
  phénomènes modélisés et pour rendre compte des
  limites du modèle
• Etre falsifiable (c.-à-d., Peut être infirmer) .

4
Commençons par quelques exemples où nos
théories/modèles nous induisent en erreur

• Théorie/Modèle du Monde
• Supposons que lexpérience montre quun
  événement A est aussi fréquent quun événement B.
  Mais depuis un moment on ne voit que lévénement
  A, ce qui fait que lévénement B doit
   rattraper  A. Donc, la probabilité de voir B
  est plus élevée que A jusquà ce que léquilibre
  soit retrouvé.

Par exemple, nous jetons une pièce de monnaie
(non biaisée). Nous voyons la suite suivante
?
P
P F
P F P
P F P P F
P F P P F P
P F P P F P P
P F P P F P P F F F P P F P F F F F F F F
P F P P F P P F F F P P F P F F F F F F
P F P P F P P F F F P P F P F F F F
P F P P F P P F F F P P F P F F F
P F P P F P P F F F P P F P F F
P F P P F P P F F F
P F P P F P P F F F P P F P F
P F P P F P P F F F P P F P
P F P P F P P F F F P P F
P F P P F P P F F F P P
P F P P F P P F F F P
P F P P F P P F F
P F P P F P P F
P F P P
P F P P F P P F F F P P F P F F F F F
Réponse P ½, F ½
5
Un peu plus compliqué
6
Le présentateur dune émission à la télé met les
deux chèvres et la voiture derrière trois portes.
Il choisit un spectateur et lui explique quil y
une chèvre derrière deux des trois portes et une
voiture derrière la troisième. Il linvite à
choisir une porte.
7
Le spectateur choisit au hasard la troisième
porte.
3
1
2
8
Le spectateur choisit au hasard la troisième
porte.
3
1
2
Le présentateur ouvre alors lune des deux autres
portes, derrière laquelle il y a une chèvre
9
?
3
1
2
Il demande au spectateur sil veut changer de
porte ou rester avec son premier choix. Que
doit-il faire?
10
?
3
1
2
Il demande au spectateur sil veut changer de
porte ou rester avec son premier choix. Que
doit-il faire?
11
Notre théorie/modèle du monde Lorsquon est
confronté aux options dont on ignore lissu, on
choisit au hasard
Est en conflit avec la réalité empirique, car
ON DOIT CHANGER DE PORTE!
12
Modèle probabiliste du basket le  hot hand 
est une illusion.
Thomas Gilovich, Robert Vallone, et Amos Tversky
ont suivi de près durant la saison 1980-1981 les
pourcentages de réussite aux tirs au panier des
joueurs dune équipe de basket professionnels
(Philadelphia 76ers).
Gilovich et al. (1985). The Hot Hand in
Basketball. On the Misinterpretation of Random
Sequences. Cognitive Psychology, 17, 295-314.
13
Le modèle de Gilovich, Vallone et Tversky
Statistiquement, il sest avéré que chaque tir
est un événement indépendant et donc la
performance dun joueur peut donc être modélisé
par une pièce de monnaie biaisée de façon à ce
que le pourcentage de  piles  corresponde au
pourcentage global de réussite au tir au panier
du joueur en question. Selon leur modèle le
 hot hand  est, purement et simplement, une
illusion.
14
1 réussi 0 raté
Bof!
Léchauffement, quoi
0 1 1 0 1 1 1 0 1 1 0 1 0 0 0 0 0 1 1 0 0 0 1 1 1
1 0 0 1 1 1 1 0 0 1 0 0 0 1 0 0 1 0 0 1 1 0 0 0
0 1 0 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 0 1 0 0 0
1 0 0 0 1 0 1 1 0 0 1 1 1 1 1 0 0 0
PASSE-MOI LA BALLE!!
Pourcentage de tirs réussis 55
Simulé parfaitement par une pièce de monnaie
légèrement biaisée (0.55/0.45) et la voix dun
joueur.
15
Quelques réactions

• Il y a tellement de variables qui entrent en jeu
  dans un tir au panier quune étude comme celle-ci
  na pas de sens. (entraineur des Hoosiers
  dIndiana University)
• Cest qui ce type? Il a fait une étude, et
  alors? Je men fous complètement. (propriétaire
  des Boston Celtics)
• On a fait du sport, toi et moi, et tu sais aussi
  bien que moi que ce modèle est idiot. Cest à
  toi de me dire pourquoi cest faux, et non pas à
  moi de laccepter. (mon frère)

16
Considérons nos critères dun bon modèle

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 

• Expliquer les données.

• Faire des prédictions au delà des ces données

• Indiquer clairement son contexte dutilisation.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu aux
  phénomènes modélisés et pour rendre compte des
  limites du modèle

NON

• Peut être infirmer.

17
Les modèles et la prédiction
La Pythie, oracle de Delphi
Un tremblement de terre rasera Athènes dans 8
jours.
Les oiseaux migrateurs partiront en Afrique un
mois plus tard cette année
Les taches solaires commenceront dès le mois de
juillet 2007.
18
La prédiction ne suffit pas!
Boîte noire les outils statistiques
La NASDAQ prendra 230 points demain..
Les oiseaux migrateurs partiront en Afrique un
mois plus tard cette année
Les taches solaires commenceront dès le mois de
juillet 2007.
La Boîte Noire na aucun pouvoir explicatif et
donc ne peut pas être considérée comme un modèle.
19
Le chant du coq

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 

• Expliquer ces données.

• Faire des prédictions au delà des ces données

• Indiquer clairement son contexte dutilisation.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu à des
  phénomènes modélisés et pour rendre compte des
  limites du modèle

• Peut être infirmer.

20
Prêtons un peu plus dattention aux trois points
suivants

• Indiquer clairement son contexte dutilisation.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu à des
  phénomènes modélisés et pour rendre compte des
  limites du modèle

• Etre capable dêtre infirmer.

21

• Indiquer clairement son contexte dutilisation.

Sans cela, tout modèle est faux. On peut
toujours trouver un niveau où le modèle ne
marchera plus. Les critiques des modèles en
neurosciences sont souvent de cet ordre. Un
exemple pour un certain niveau dexplication
lIntelligence Artificielle  symbolique  où on
découpe le monde en objets reliés par une
grammaire est parfaitement suffisant, mais il
faut que ce niveau dapplication soit précisé dès
le départ
22
Sans cela, on ne peut pas avoir cette interaction
permanente avec les données empiriques qui nous
permet daméliorer notre modèle.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu aux
  phénomènes modélisés et pour rendre compte des
  limites du modèle

23
Lastrologie
La  psychologie  freudienne
La mythologie grecque/hindoue/etc.
Toutes impossible à infirmer !

• Peut être infirmer

24
Linfalsifiabilité (l impossibilité dinfirmer)
Linteraction entre modèle et données empiriques
est nécessaire MAIS Il peut mener et mène
trop souvent -- à linfalsifiabilité
25
La Boxologie Le fléau de la modélisation en
psychologie
26
Modèle de départ
Module phonologique
Données empiriques contradictoires
27
Modèle de départ
Module phonologique
Données empiriques contradictoires
28
Nouvelles données empiriques contradictoires
Modèle de départ
Module phonologique
29
Nouvelles données empiriques contradictoires
Module pré-linguistique
30
Module pré-linguistique
Nouvelles données empiriques contradictoires
31
Module visuo-gustatif
Nouvelles données empiriques contradictoires
32

• Mais le problème est que cela peut mener à la
  maladie quon pourrait appeler  la boxologie
  rampante 

33
(No Transcript)
34

• .et de nouveau, on ny comprend rien. Le modèle
  a perdu son pouvoir explicatif.

35
Nos critères dévaluation

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 

•  Expliquer  ces données.

???

• Faire des prédictions au delà des ces données

NON

• Indiquer clairement son contexte dutilisation.

NON

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu aux
  phénomènes modélisés et pour rendre compte des
  limites du modèle

• Peut être infirmer

NON
36
La psychologie évolutionnaire
Infirmable ou pas??
A létat actuel de cette discipline, la réponse
est plutôt Non.
37
Les modèles connexionnistes
38
Que boivent les vaches?Le connexionnisme
(bottom-up)
VACHE
LAIT
BOIRE
Ces neurones sont activés même si le mot lait
na pas été prononcé.
39


Que boivent les vaches?




IA symbolique (top-down)

ISA(vache, mammifère)


ISA(mammifère, animal)


Règle 1


SI animal(X) ET soif(X) ALORS manque_eau(X)

SI manque_eau(X) ALORS boire_eau(X)

Règle 2


Conclusion
Les vaches boivent de leau.


40
Un bon modèle de lintelligence humaine doit
pouvoir donner les deux réponses, selon le
contexte dans lequel il se trouve.
41
Un modèle connexionniste de la catégorisation
chez les enfants en bas âge
42

Phase de Familiarisation
43
(No Transcript)
44
(No Transcript)
45
(No Transcript)
46
(No Transcript)
47
(No Transcript)
48
Phase de test
Comparaison du temps de regard
49
Une asymétrie surprenante

• Familiarisés avec des chats, les enfants
  regardent plus longtemps le chien en phase de
  test.

• Familiarisés avec des chiens, ils NE REGARDENT
  PAS plus longtemps le chat en phase de test.

50
Modèle de Sokolov, Charlesworth, Cohen, etc.
Encoder
Stimulus de lenvironnement
51
Decoder et Comparer
Encoder
égal?
Stimulus de lenvironnement
52
Decoder et Compare
Adjuster
Encoder
Stimulus de lenvironnement
53
Decoder et Comparer
Adjuster
Encoder
Stimulus de lenvironnement
54
Decoder et Comparer
Adjuster
Encoder
equal?
Stimulus de lenvironnement
55
Decoder et Comparer
Adjuster
Encoder
Stimulus de lenvironnement
56
Decoder et Comparer
Adjuster
Encoder
Stimulus de lenvironnement
57
Decoder et Comparer
Adjuster
Encoder
equal?
Stimulus de lenvironnement
58
Decoder et Comparer
Adjuster
Encoder
Stimulus de lenvironnement
59
Decoder et Comparer
Adjuster
Encoder
Stimulus de lenvironnement
60
On continue la boucle
jusquà ce que la représentation interne
corresponde suffisamment bien au stimulus externe.
61
Un modèle connexionniste basé sur le modèle de
Sokolov
Stimulus de lenvironnement
62
encoder
Stimulus de lenvironnement
63
decoder
encode
Stimulus de lenvironnement
64
decode
comparer
encode
Stimulus de lenvironnement
65
decode
adjuster poids
encode
Stimulus de lenvironnement
66
decoder
encoder
Stimulus de lenvironnement
67
decoder
encoder
Stimulus de lenvironnement
68
decoder
encoder
Stimulus de lenvironnement
69
decoder
comparer
encoder
Stimulus de lenvironnement
70
decode
adjuster poids
encode
Stimulus de lenvironnement
71
decode
encode
Stimulus de lenvironnement
72
decoder
encoder
Stimulus de lenvironnement
73
decoder
encoder
Stimulus de lenvironnement
74
decode
comparer
encode
Stimulus from the environment
75
decode
adjuster poids
encode
Stimulus from the environment
76
On continue la boucle
jusquà ce que la représentation interne
corresponde suffisamment bien au stimulus externe.
77
Résultats, prédictions, explications
78
??
?1
?2
79
Nos critères dévaluation

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 

80
Nos critères dévaluation

• Expliquer ces données réseau de neurones du
  modèle de Sokolov.

81
Prédictions et résultats linversion de
lasymétrie
Prédiction du modèle
Données empiriques chez lenfant
82
Prédictions et résultats le retour à la symétrie
Données empiriques chez lenfant
Prédiction du modèle
83
Nos critères dévaluation

• Faire des prédictions au delà des ces données

84
Nos critères dévaluation

• Indiquer clairement son contexte dutilisation.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu à des
  phénomènes modélisés et pour rendre compte des
  limites du modèle

• Peut être infirmer.

85
Elmans solution (1990) The Simple Recurrent
Network
Output units
Hidden units
copy
Input units
Context units
86
SRN Bilingual language learning(French, 1998
French Jacquet, 2004)

• Input to the SRN
• - Two micro languages, Alpha Beta, 12 words
  each
• An SVO grammar for each language
• - Unpredictable language switching

Attempted Prediction
BOY LIFTS TOY MAN SEES PEN GIRL PUSHES BALL BOY
PUSHES BOOK FEMME SOULEVE STYLO FILLE PREND STYLO
GARÇON TOUCHE LIVRE FEMME POUSSE BALLON FILLE
SOULEVE JOUET WOMAN PUSHES TOY.... (Note absence
of markers between sentences and between
languages.)
The network tries each time to predict the next
element.
We do a cluster analysis of its internal
(hidden-unit) representations after having seen
20,000 sentences.
87
Clustering of the internal representations formed
by the SRN
N.B. It also works for micro languages with 768
words each
88
Conclusions
Les modèles sont la réduction à lessentiel dun
phénomène en vue de lexpliquer. Ils constituent
notre manière la plus importante de comprendre le
monde.

• Reproduire, au moins qualitativement, les données
  empiriques quil modélise 

• Expliquer ces données.

• Faire des prédictions au delà des ces données

• Indiquer clairement son contexte dutilisation.

• Être capable dêtre sondé pour comprendre comment
  les mécanismes mis en oeuvre donnent lieu à des
  phénomènes modélisés et pour rendre compte des
  limites du modèle,

• Peut être infirmer.