Un réseau de neurones artificiels montrant la persévérance et la distractibilité dans le wisconsin card sorting test

Evolution des modèles computationnels INTRODUCTION Evolution des modèles computationnels Le modèle du wisconsin card sorting test est un modèle de neurones artificiels

PRINCIPES Objectif: proposer un modèle computationnel basé sur l’hypothèse que la principale fonction du cortex préfrontal est l’aptitude à changer de stratégie cognitive en réponse aux modifications de l’environnement Intervention majoritaire du cortex préfrontal

Le cortex préfrontal Intervient dans les processus exécutifs utiles dans les comportements ayant un but précis C’est la région la plus interconnectée * 3 subdivisions : - neocorticale dorsolateral préfrontal - mesocorticale orbito frontal - circuit cingulaire antérieur * 3 circuits associés à 3 syndrômes lors de lésions dans un de ces circuits.

Le wisconsin card sorting test Il fait appel à: - l’organisation - la planification - l’utilisation des feed-backs de l’environnement Il permet d’orienter le comportement vers la réalisation du but et modérer les réponses impulsives. Il mesure le fonctionnement exécutif nécessitant l’élaboration et le maintien dans des conditions changeantes d’une stratégie de résolution de problèmes orientée vers un but. Le WCST renseigne, également, sur les difficultés spécifiques de la tâche (difficulté à élaborer des catégories, échec dans le maintien d’une stratégie de réponse, persévérations, difficultés d’apprentissage au cours du test). Le test

Principaux résultats du test: chez les sujets lésés: - persévérance dans l’erreur - distractibilité (FMS) ce qui pourrait être expliquée par une faible planification, une faible abstraction et une flexibilité mentale déficiente

LE MODELE 2 phases principales: - hypothèse sur la règle - hypothèse sur le choix de la carte 2 modules différents dans le modèle : - le module de la détermination de la règle - le module de sélection de la carte

Dans le module de sélection de règle on trouve 2 blocs : Hopfield network Hamming block - hopfield network: maintient de la règle définie - hamming block: génération d’une autre règle

le critère de sélection du sujet est représenté par un vecteur nommé vecteur règle Ce vecteur règle fait le lien entre les 2 modules 14 vecteurs règle sont considérés dans ce modèle

La détermination d’une nouvelle règle dérive de la règle précédente quand l’hamming distance est faible, le sujet a tendance à garder la même règle et inversement si la distance est importante

le hopfield network détermine le vecteur du critère fondamental : vecteur seuil (directement ou par réduction) par un système d’équations C’est en changeant le vecteur seuil que le modèle peut simuler des lésions : influence sur les FMS En diminuant l’hamming distance on observe une diminution de la génération d’hypothèses

RESULTATS

3 vecteurs seuils: T, T1,T2, 6 hamming distances différentes = 18 conditions différentes. Quand on change le vecteur seuil mais l’hamming distance est la même: augmentation de la FMS et de la persévérance Inversement: diminution de la flexibilité qui se traduit par une augmentation de la persévérance

CONCLUSION En changeant le vecteur seuil, on a une hausse de la distractibilité qui est reflétée par une augmentation du nombre de FMS L’inefficacité du hamming block (qui sert à la génération d’hypothèse) est reflétée par l’augmentation du pourcentage d’erreurs de persévérance Avantage du modèle: Capacité de simuler les performances de sujets sains et de sujets lésé malgré sa structure simple. Cependant ce modèle ne rend pas compte de la réponse « autre » ainsi que de l’apprentissage que peuvent acquérir les sujets en faisant le test Plusieurs autres modèles ont été crées sur la base du WCST