Percevoir de la régularité dans les séquences : signatures comportementales, neurales et computationnelles

Perceiving regularity in sequences : behavioural, neural and computational signatures

• Auteur / Autrice : Maxime Maheu
• Direction : Stanislas Dehaene
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences et troubles neuronaux
• Date : Soutenance le 26/11/2019
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Frontières de l'innovation en recherche et éducation (Paris ; 2006-....)
• Partenaire(s) de recherche : Laboratoire : Neuroimagerie cognitive (Gif-sur-Yvette, Essonne ; 2006-....)
• Jury : Président / Présidente : Mehdi Khamassi
• Jury : Examinateurs / Examinatrices : Mehdi Khamassi, Jill O'Reilly, Jérôme Sackur, Yves Boubenec, Laura Dugué
• Jury : Rapporteurs / Rapporteuses : Jill O'Reilly, Jérôme Sackur

Mots clés

Mots clés contrôlés

Apprentissage cognitif

Neurosciences

Mots clés libres

Apprentissage

Bayesien

Computation

Inférence

Neurosciences

Psychologie

Régularité

Séquence

Bayesian

Computation

Inference

Learning

Neuroscience

Psychology

Regularity

Sequence

Résumé

En tant qu'êtres humains, nous pouvons comprendre le langage parlé, reconnaître les premières mesures de la 5e symphonie de Beethoven, remarquer les fluctuations du niveau de l'océan induit par la marée, prédire la couleur des feux de signalisation, et identifier nombreuses des omniprésentes régularités temporelles qui peuplent notre environnement quotidien. Comment le cerveau humain détecte-t-il, identifie-t-il, traite-t-il et utilise-t-il ces régularités; et ce, malgré leur étonnante diversité ? Dans cette thèse, j'ai étudié les mécanismes par lesquels le cerveau humain apprend des séquences et des régularités qu'elles peuvent comporter. Pour ce faire, j'ai enregistré les réponses comportementales et neurales évoquées par des séquences auditives binaires caractérisées par différents types de régularités. En parallèle, j'ai développé des modèles mathématiques du traitement des séquences et reposant sur les principes normatifs de l'inférence probabiliste, mais avec des architectures computationnelles différentes, et ai utilisé les données humaines pour arbitrer parmi ces modèles. Sur la base de cette même approche générale, j'ai investigué trois différentes facettes de la perception humaine des séquences. Premièrement, j'ai démontré qu'une simple machinerie inférant la structure des transitions entre les items de la séquence rendait compte de divers aspects de la perception humaine des séquences observés dans de précédentes études en apparence disparates. Deuxièmement, j'ai ensuite trouvé que cet algorithme d'apprentissage était implémenté dans des systèmes cérébraux distincts qui extraient les tendances statistiques à différentes échelles de temps, fournissant ainsi une explication mécanistique à l'effet des biais statistiques globaux et de l'histoire récente des observations sur la perception humaine. En sus de l'apprentissage statistique, les êtres humains possèdent également la capacité de détecter et d'identifier des règles déterministes. Troisièmement, j'ai montré que les statistiques et les règles correspondent à deux espaces d'hypothèses distincts, et non à un continuum; mais que les sujets humains étaient en mesure d'arbitrer rationnellement entre ces hypothèses étant donné la séquence observée. En résumé, mes investigations des fondations cognitives, des principes computationnels et des architectures neurales soutenant le traitement de séquences suggèrent que le cerveau humain dispose de plusieurs systèmes d'inférence qui suivent les principes normatifs de l'inférence probabiliste, mais qui sont spécialisés dans différents aspects des séquences, fournissant ainsi une possible explication à la perception humaine d'un vaste répertoire de régularités temporelles.

As human beings, we can understand spoken language, recognize the opening bars of Beethoven's 5th Symphony, notice the tide-induced fluctuations of the level of the ocean, predict the color of traffic lights, and identify many more of the ubiquitous temporal regularities that characterize our daily environment. How does the human brain detect, identify, process and leverage those regularities in spite of their striking diversity? In this dissertation, I studied the mechanisms through which the human brain acquires knowledge of sequences and of regularities they may entail. To do so, I recorded behavioural and neural responses to auditory binary sequences characterized by various types of regularities. In parallel, I derived mathematical models of sequence processing that rest upon normative principles of probabilistic inference, but that are yet characterized by different computational architectures, and used human data to arbitrate among them. Using this same general approach, I investigated three different facets of the human sensitivity to sequences. Firstly, I demonstrated that a simple machinery for inferring transition structures between sequence items supports various aspects of the human perception of sequences encountered in seemingly disparate studies. Secondly, I then found that this learning algorithm was implemented in distinct brain systems which extracted statistical trends over different timescales, thereby providing a mechanistic explanation for the human sensitivity to both global statistical biases and to the recent history of observations. In addition to statistical learning, humans also possess the ability to quickly detect and identify deterministic rules. Thirdly, I showed that statistics and rules correspond to two distinct hypothesis spaces, instead of a continuum; and that human subjects could rationally arbitrate among them given the observed sequence. Altogether, my investigations of the cognitive foundations, computational principles and neural architectures supporting sequence processing suggest that the human brain is equipped with several systems that conform to normative principles of probabilistic inference but that are specialized in different aspects of sequences, thereby providing a putative explanation for the human perception of a vast repertoire of temporal regularities.