Thèse soutenue

Mouvements oculaires de poursuite lisse et apprentissage : rôle des contingences probabilistes et de renforcement

FR  |  
EN
Auteur / Autrice : Jean-Bernard Damasse
Direction : Anna MontagniniLaurent Perrinet
Type : Thèse de doctorat
Discipline(s) : Neurosciences
Date : Soutenance le 11/06/2018
Etablissement(s) : Aix-Marseille
Ecole(s) doctorale(s) : Ecole Doctorale Sciences de la Vie et de la Santé (Marseille)
Partenaire(s) de recherche : Laboratoire : Institut des Neurosciences de la Timone
Jury : Président / Présidente : Françoise Vitu-Thibault
Examinateurs / Examinatrices : Françoise Vitu-Thibault, Richard Krauzlis, Alexander Schütz, Laurent Madelain
Rapporteurs / Rapporteuses : Richard Krauzlis, Alexander Schütz

Résumé

FR  |  
EN

Un défi majeur pour les organismes vivants est leur capacité d’adapter constamment leurs comportements moteurs. Dans la première étude de cette thèse, nous avons étudié le rôle des régularités statistiques et du conditionnement opérant sur la poursuite lisse d’anticipation (PLA). Nous avons démontré que la PLA est générée de manière cohérente avec la probabilité du mouvement attendu. De plus, nous avons montré pour la première fois que la PLA peut être modulée par les contingences de renforcement.Dans une seconde étude, nous avons créé un paradigme de poursuite, inspiré par l’Iowa Gambling Task (IGT), impliquant un choix entre deux cibles associées à différentes récompenses. Nous avons testé ce paradigme chez des patients Parkinson (PP), ainsi que des contrôles âgés ou jeunes. Seulement chez les participants jeunes, la latence du choix oculomoteur est fortement réduite quand celui-ci est associé à une règle de renforcement. Pour les PP le choix est fortement retardé dans toutes les conditions et cet effet n’est pas simplement attribuable à un déficit moteur. Autrement, la stratégie de choix s’avère de mauvaise qualité dans tous les groupes suggérant des différences avec les résultats de l’IGT classique.La dernière contribution de cette thèse fut de modéliser l’effet du biais directionnel sur la PLA que nous avons observé dans la première étude. Nous avons testé deux modèles incluant une mémoire de type intégrateur à fuite de la séquence d’essais, ou l’estimation Bayesienne adaptative de la taille optimale de mémoire. Nos résultats suggèrent que les modèles adaptatifs pourraient contribuer dans le futur à mieux comprendre l’apprentissage statistique et par renforcement.