La modélisation en psychologie: à quoi bon?

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

2. Qu’entendons-nous par un “modèle”? Une réponse possible : La réduction à l’essentiel d’un phénomène en vue de l’expliquer

3. Un bon modèle doit • Reproduire, au moins qualitativement, les données empiriques qu’il modélise  • Expliquer les données. • Faire des prédictions au delà des ces données • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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 l’expérience montre qu’un événement A est aussi fréquent qu’un événement B. Mais depuis un moment on ne voit que l’événement A, ce qui fait que l’événement B doit « rattraper » A. Donc, la probabilité de voir B est plus élevée que A jusqu’à ce que l’équilibre soit retrouvé. Par exemple, nous jetons une pièce de monnaie (non biaisée). Nous voyons la suite suivante: ? 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 P F P 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 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 P P F P P F P P F F F P P F P F Réponse: P = ½, F = ½

5. voiture chèvre chèvre Un peu plus compliqué…

6. 1 2 3 Le présentateur d’une émission à la télé met les deux chèvres et la voiture derrière trois portes. Il choisit un spectateur et lui explique qu’il y une chèvre derrière deux des trois portes et une voiture derrière la troisième. Il l’invite à choisir une porte.

7. Le spectateur choisit au hasard la troisième porte. 1 2 3

8. Le spectateur choisit au hasard la troisième porte. 1 3 2 Le présentateur ouvre alors l’une des deux autres portes, derrière laquelle il y a une chèvre

9. ? 1 3 2 Il demande au spectateur s’il veut changer de porte ou rester avec son premier choix. Que doit-il faire?

10. ? 1 3 2 Il demande au spectateur s’il veut changer de porte ou rester avec son premier choix. Que doit-il faire?

11. Notre théorie/modèle du monde: Lorsqu’on est confronté aux options dont on ignore l’issu, 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 d’une 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 s’est avéré que chaque tir est un événement indépendant et donc la performance d’un 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! L’échauffement, quoi… 0 1 1 0 1 1 1 0 1 1 0 1 0 0 0 0 0 1 1 0 0 01 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 d’un joueur….

15. Quelques réactions • “Il y a tellement de variables qui entrent en jeu dans un tir au panier qu’une étude comme celle-ci n’a pas de sens.” (entraineur des Hoosiers d’Indiana University) • “C’est qui ce type? Il a fait une étude, et alors? Je m’en 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. C’est à toi de me dire pourquoi c’est faux, et non pas à moi de l’accepter.” (mon frère)

16. Considérons nos critères d’un bon modèle • Reproduire, au moins qualitativement, les données empiriques qu’il modélise  • Expliquer les données. • Faire des prédictions au delà des ces données • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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 n’a 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 qu’il modélise  • Expliquer ces données. • Faire des prédictions au delà des ces données • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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 d’attention aux trois points suivants • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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 d’être infirmer.

21. Indiquer clairement son contexte d’utilisation. 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 d’explication l’Intelligence Artificielle « symbolique » où on découpe le monde en objets reliés par une grammaire est parfaitement suffisant, mais il faut que ce niveau d’application soit précisé dès le départ

22. Sans cela, on ne peut pas avoir cette interaction permanente avec les données empiriques qui nous permet d’améliorer notre modèle. • Être capable d’être sondé pour comprendre comment les mécanismes mis en oeuvre donnent lieu aux phénomènes modélisés et pour rendre compte des limites du modèle

23. L’astrologie La « psychologie » freudienne La mythologie grecque/hindoue/etc. Toutes impossible à infirmer ! • Peut être infirmer

24. L’infalsifiabilité (l’ impossibilité d’infirmer) L’interaction entre modèle et données empiriques est nécessaire MAIS Il peut mener – et mène trop souvent -- à l’infalsifiabilité

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

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

31. Modèle de départ Module pré-linguistique Module phonologique Module visuo-gustatif Nouvelles données empiriques contradictoires

32. Mais le problème est que cela peut mener à la maladie qu’on pourrait appeler « la boxologie rampante »…

33. Modèle de départ

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

35. Nos critères d’évaluation • Reproduire, au moins qualitativement, les données empiriques qu’il modélise  • « Expliquer » ces données. ??? • Faire des prédictions au delà des ces données NON • Indiquer clairement son contexte d’utilisation. NON • Être capable d’être 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 l’état 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” n’a 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 l’eau.

40. Un bon modèle de l’intelligence 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. Prédictions et résultats: l’inversion de l’asymétrie Données empiriques chez l’enfant Prédiction du modèle

43. Nos critères d’évaluation • Faire des prédictions au delà des ces données

44. Nos critères d’évaluation • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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.

45. Elman’s solution (1990) The Simple Recurrent Network Output units Hidden units copy Input units Context units

46. 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.

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

48. Conclusions Les modèles sont la réduction à l’essentiel d’un phénomène en vue de l’expliquer. Ils constituent notre manière la plus importante de comprendre le monde. • Reproduire, au moins qualitativement, les données empiriques qu’il modélise  • Expliquer ces données. • Faire des prédictions au delà des ces données • Indiquer clairement son contexte d’utilisation. • Être capable d’être 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.