la modélisation en psychologie: à quoi bon?
Post on 14-Jan-2016
20 Views
Preview:
DESCRIPTION
TRANSCRIPT
La modélisation en psychologie: à quoi bon?
Robert M. French
L.E.A.D. – CNRS
U. de Bourgogne
Qu’entendons-nous par un “modèle”?
Une réponse possible :
La réduction à l’essentiel d’un phénomène en vue de l’expliquer
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) .
PP FP F PP F P P FP F P P F PP 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 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:
Réponse: P = ½, F = ½
Un peu plus compliqué…
chèvre
chèvre
voiture
Le présentateur d’une émission à la télé met les deux chèvres et la voiture derrière trois portes.
1 2 3
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.
3
Le spectateur choisit au hasard la troisième porte.
1 2
3
Le spectateur choisit au hasard la troisième porte.
1
Le présentateur ouvre alors l’une des deux autres portes, derrière laquelle il y a une chèvre
2
31
Il demande au spectateur s’il veut changer de porte ou rester avec son premier choix. Que doit-il faire?
2
?
31
Il demande au spectateur s’il veut changer de porte ou rester avec son premier choix. Que doit-il faire?
2
?
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!
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.
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.
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!!
L’échauffement, quoi… Bof!
Pourcentage de tirs réussis: 55%
Simulé parfaitement par une pièce de monnaie légèrement biaisée (0.55/0.45)et la voix d’un joueur….
1 = réussi; 0 = raté
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)
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
• Peut être infirmer.
NON
Les modèles et la prédiction
La Pythie, oracle de DelphiUn 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.
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.
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.
• 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
• Indiquer clairement son contexte d’utilisation.
• Etre capable d’être infirmer.
Prêtons un peu plus d’attention aux trois points suivants
• 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
• 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
Sans cela, on ne peut pas avoir cette interaction permanente avec les données empiriques qui nous permet d’améliorer notre modèle.
• Peut être infirmer
L’astrologie
La « psychologie » freudienne
La mythologie grecque/hindoue/etc.
Toutes impossible à infirmer !
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
La Boxologie: Le fléau de la modélisation en psychologie
Modèle de départ
Module phonologique
Données empiriquescontradictoires
Modèle de départ
Module phonologique
Données empiriquescontradictoires
Modèle de départ
Module phonologique
Nouvelles données empiriquescontradictoires
Modèle de départ
Module phonologique
Module pré-linguistique
Nouvelles données empiriquescontradictoires
Modèle de départ
Module phonologique
Module pré-linguistique
Nouvelles données empiriques contradictoires
Modèle de départ
Module phonologique
Module pré-linguistique
Module visuo-gustatif
Nouvelles données empiriques contradictoires
Mais le problème est que cela peut mener à la maladie qu’on pourrait appeler « la boxologie rampante »…
Modèle de départ
….et de nouveau, on n’y comprend rien. Le modèle a perdu son pouvoir explicatif.
• 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 aux phénomènes modélisés et pour rendre compte des limites du modèle
• Peut être infirmer
NON
NON
NON
???
Nos critères d’évaluation
La psychologie évolutionnaire
Infirmable ou pas??
A l’état actuel de cette discipline, la réponse est plutôt Non….
Les modèles connexionnistes
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.
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 l’eau.
Règle 2:
Un bon modèle de l’intelligence humaine doit pouvoir donner les deux réponses, selon le
contexte dans lequel il se trouve.
Un modèle connexionniste de la catégorisation chez les enfants en bas âge
Prédictions et résultats: l’inversion de l’asymétrie
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Cats Dogs
Familiarization stimuli
Net
wo
rk e
rro
r
new cat
new dog
20
30
40
50
60
70
80
Cats Dogs
Familiarization stimuli
Att
entio
n
New cat
New dog
Prédiction du modèle Données empiriques chez l’enfant
• Faire des prédictions au delà des ces données
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.
Nos critères d’évaluation
Elman’s solution (1990) The Simple Recurrent Network
Hidden units
Input units Context units
Output units
copy
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
Clustering of the internal representations formed by the SRN
LIVRE: STYLO:
BALLON: JOUET:
VOIT: PREND:
POUSSE: SOULEVE: HOMME: FEMME:
FILLE: GARCON: BOOK:
PEN: BALL: TOY:
PUSHES: TAKES: SEES: LIFTS:
WOMAN: MAN: GIRL: BOY:
Alpha
Beta
N.B. It also works for micro languages with 768 words each
Conclusions
• 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.
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.
top related