La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

La modélisation en psychologie: à quoi bon? Robert M. French L.E.A.D. – CNRS U. de Bourgogne.

Présentations similaires


Présentation au sujet: "La modélisation en psychologie: à quoi bon? Robert M. French L.E.A.D. – CNRS U. de Bourgogne."— Transcription de la présentation:

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 PP FP F PP F P P FP F P P F P P F P PP F P P F P P F F F P P F P F F F F F F FP F P P F P P F F F P P F P F F F F F FP F P P F P P F F F P P F P F F F FP F P P F P P F F F P P F P F F FP F P P F P P F F F P P F P F FP F P P F P P F F FP F P P F P P F F F P P F P FP F P P F P P F F F P P F PP F P P F P P F F F P P FP F P P F P P F F F P PP F P P F P P F F F PP F P P F P P F FP F P P F P P FP F P PP F P P F P P F F F P P F P F F F F F 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 : Réponse: P = ½, F = ½

5 Un peu plus compliqué… chèvre voiture

6 Le présentateur dune émission à la télé met les deux chèvres et la voiture derrière trois portes. 123 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 3 Le spectateur choisit au hasard la troisième porte. 12

8 3 1 Le présentateur ouvre alors lune des deux autres portes, derrière laquelle il y a une chèvre 2

9 31 Il demande au spectateur sil veut changer de porte ou rester avec son premier choix. Que doit-il faire? 2 ?

10 31 2 ?

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 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,

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 … PASSE-MOI LA BALLE!! Léchauffement, quoi… Bof! Pourcentage de tirs réussis: 55% Simulé parfaitement par une pièce de monnaie légèrement biaisée (0.55/0.45) et la voix dun joueur…. 1 = réussi; 0 = raté

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 Peut être infirmer. NON

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 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 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 Indiquer clairement son contexte dutilisation. Etre capable dêtre infirmer. Prêtons un peu plus dattention aux trois points suivants

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 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 Sans cela, on ne peut pas avoir cette interaction permanente avec les données empiriques qui nous permet daméliorer notre modèle.

23 Peut être infirmer Lastrologie La « psychologie » freudienne La mythologie grecque/hindoue/etc. Toutes impossible à 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 Modèle de départ Module phonologique Nouvelles données empiriques contradictoires

29 Modèle de départ Module phonologique Module pré-linguistique Nouvelles données empiriques contradictoires

30 Modèle de départ Module phonologique Module pré-linguistique Nouvelles données empiriques contradictoires

31 Modèle de départ Module phonologique Module pré-linguistique 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 Modèle de départ

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

35 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 aux phénomènes modélisés et pour rendre compte des limites du modèle Peut être infirmer NON ??? Nos critères dévaluation

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) VACHELAITBOIRE 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) Conclusion: Les vaches boivent de leau. Règle 2:

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 Infant

43

44

45

46

47

48 Phase de test Comparaison du temps de regard Infant

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. Stimulus de lenvironnement Encoder

51 Decoder et Comparer égal? Stimulus de lenvironnement

52 Encoder Decoder et Compare Adjuster Stimulus de lenvironnement

53 Encoder Decoder et Comparer Adjuster Stimulus de lenvironnement

54 Encoder Decoder et Comparer Adjuster equal? Stimulus de lenvironnement

55 Encoder Decoder et Comparer Adjuster Stimulus de lenvironnement

56 Encoder Decoder et Comparer Adjuster Stimulus de lenvironnement

57 Encoder Decoder et Comparer Adjuster equal? Stimulus de lenvironnement

58 Encoder Decoder et Comparer Adjuster Stimulus de lenvironnement

59 Encoder Decoder et Comparer Adjuster 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

74 Stimulus from the environment decode comparer encode

75 Stimulus from the environment decode adjuster poids encode

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 Reproduire, au moins qualitativement, les données empiriques quil modélise Nos critères dévaluation

80 Expliquer ces données : réseau de neurones du modèle de Sokolov. Nos critères dévaluation

81 Prédictions et résultats: linversion de lasymétrie Prédiction du modèle Données empiriques chez lenfant

82 Prédiction du modèle Données empiriques chez lenfant Prédictions et résultats: le retour à la symétrie

83 Faire des prédictions au delà des ces données Nos critères dévaluation

84 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. Nos critères dévaluation

85 Elmans solution (1990) The Simple Recurrent Network Hidden units Input units Context units Output units copy

86 SRN Bilingual language learning (French, 1998; French & Jacquet, 2004) 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.) Input to the SRN: - Two micro languages, Alpha & Beta, 12 words each - An SVO grammar for each language - Unpredictable language switching 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. Attempted Prediction

87 Clustering of the internal representations formed by the SRN N.B. It also works for micro languages with 768 words each

88 Conclusions 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. Les modèles sont la réduction à lessentiel dun phénomène en vue de lexpliquer. Ils constituent notre manière la plus importante de comprendre le monde.


Télécharger ppt "La modélisation en psychologie: à quoi bon? Robert M. French L.E.A.D. – CNRS U. de Bourgogne."

Présentations similaires


Annonces Google