Caractérisation computationnelle et cérébrale des mécanismes de catégorisation perceptuelle en situation d'incertitude

Computational and cerebral characterization of perceptual categorization mechanisms under uncertainty

• Auteur / Autrice : Julie Drevet
• Direction : Yvan Wyart
• Type : Projet de thèse
• Discipline(s) : Sciences cognitives
• Date : Inscription en doctorat le ; Soutenance le 19/09/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Neurosciences Cognitives et Computationnelles
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Fabien Vinckier
• Jury : Examinateurs / Examinatrices : Valentin Wyart, Anne Urai, Benedetto De martino, Claire Sergent, Alizée Lopez-persem
• Jury : Rapporteur / Rapporteuse : Anne Urai, Benedetto De martino

Mots clés

Mots clés libres

Inférence bayésienne

Magnétoencéphalographie

Prise de décision

Decision-making

Bayesian inference

Magnetoencephalography

Résumé

La prise de décision perceptuelle est rendue difficile par l’incertitude inhérente aux informations sensorielles présentes dans notre environnement. Il est possible de réduire cette incertitude en combinant ces informations imparfaites, comme le formalise de façon optimale l’inférence statistique dite « bayésienne ». Mais ce processus d’inférence demeure sous-optimal et contribue largement à la grande variabilité des décisions humaines. Pourtant, ces erreurs dites ‘inférentielles’ sont le plus souvent sous-estimées par les théories existantes. Au lieu d'ignorer ces limitations profondes et d'approximer la prise de décision avec des modèles optimaux, cette thèse a pour but de mettre en avant les stratégies cognitives humaines déployées pour compenser ces limitations. Dans une première étude expérimentale, nous avons étudié la prise de décision catégorielle dans des environnements changeants. Dans ces conditions, les erreurs inférentielles interfèrent avec ce processus d’inférence et provoquent des changements d’avis inopportuns. En développant puis en comparant différents modèles computationnels, nous avons montré que les sujets humains sont capables de contrebalancer la variabilité engendrée par leurs erreurs inférentielles en utilisant une stratégie d’inférence dite ‘conditionnelle’ : au lieu d’accumuler systématiquement l’information bruitée, les croyances ne sont mises à jour que si cette information est jugée suffisamment fiable. Cette stratégie parcimonieuse permet non seulement de réduire les coûts cognitifs engendrés par des changements d’avis inopportuns, mais elle permet également de prendre objectivement de meilleures décisions. Dans une seconde étude expérimentale, nous avons comparé les stratégies cognitives déployées pour compenser les coûts des erreurs inférentielles pour deux types d’incertitude souvent confondus dans la littérature : l’incertitude sensorielle et l’incertitude catégorielle. Cette étude a permis non seulement d’établir que les sujets humains s’adaptent à chaque type d’incertitude en déployant des stratégies efficaces différentes, mais aussi de montrer que chaque stratégie s’accompagne d’une dynamique neurophysiologique propre en termes de dilatation pupillaire. Enfin, dans une troisième étude expérimentale, nous avons cherché à mieux comprendre sous quel format l’information sensorielle est représentée lors du processus d’inférence. Les théories existantes soutiennent que l’inférence perceptuelle utilise : soit le format ‘naturel’ ou sensoriel du stimulus (en représentant l’information d’entrée liée aux caractéristiques pertinentes du stimulus pour la décision), soit le format de ‘sortie’ de la décision (en représentant l’information liée à l’action qui résultera de cette décision). Nous avons pu avancer et mettre en évidence une troisième hypothèse, selon laquelle l’information est accumulée sous un format intermédiaire ‘compressé’, en la réduisant aux dimensions définies par les catégories qui définissent la décision à prendre. En manipulant le format sous lequel l’information sensorielle peut être représentée, nous avons pu établir que les sujets humains préfèrent accumuler l’information sensorielle de façon compressée. Cette stratégie permet de prendre des décisions non seulement plus précises, mais aussi moins biaisées. Grâce à l’analyse multivariée des signaux magnétoencéphalographiques (MEG) enregistrés, nous avons pu corroborer cette hypothèse en décodant une signature neurale de la représentation compressée de l’information sensorielle pour l’inférence. La précision de cette signature neurale s’est révélée prédictive de la qualité des décisions humaines. Pour conclure, cette thèse souligne la flexibilité de la cognition humaine lors de la prise de décision perceptuelle en situation d’incertitude, et ouvre la voie à de nouvelles recherches qui pourront s’appuyer sur nos résultats et les étendre.

Uncertainty represents an ubiquitous challenge for perceptual decision-making. Reducing uncertainty to make accurate decisions requires accumulating unreliable sensory information through statistical inference. Nonetheless, this cognitive process is inherently suboptimal in human observers, largely contributing to the substantial variability in human decisions under uncertainty. These ‘inferential errors’ are often underestimated by existing theories. Instead of ignoring those important limitations and approximating decision-making with optimal models, this thesis aims at better characterizing the cognitive strategies deployed by human observers to efficiently overcome these limitations. In the first experimental study of this thesis, we investigated human categorical decisions made in changing environments. In such environments, inferential errors interfere with accurate decision-making by triggering unwarranted changes-of-mind. Using computational modeling of behavior, we show that human observers compensate for this variability using a conditional belief updating strategy. Instead of accumulating each piece of noisy information available, they only update their beliefs when the incoming information is judged as sufficiently reliable. This parsimonious strategy not only reduces cognitive costs by preventing unwarranted changes-of-mind, but also increases decision accuracy. In the second experimental study of this thesis, we compared how human observers mitigate the costs of suboptimal inference across different forms of uncertainty that are used interchangeably in the literature: sensory uncertainty (triggered by noisy stimuli) and category uncertainty (triggered by ambiguous stimuli). We show that under category uncertainty, human observers do not deploy the conditional belief updating strategy observed in the first study and instead rely on their prior beliefs to stabilize their behavior. We further show in this second study that pupil dilation dynamics reflect this change in cognitive strategy across the two forms of uncertainty. Finally, in the third experimental study of this thesis, we investigated how information is represented during the inference process underlying categorical decisions. Existing theories propose that perceptual inference is either implemented in the ‘native’ sensory format that represents decision-relevant stimulus features, or in the ‘output’ format that encodes the action plan resulting from the decision. Instead, we provide behavioral and neuroimaging evidence that information is accumulated in an intermediate and abstract ‘category’ space defined by current decision alternatives. This ‘compression’ of stimulus information represents an efficient strategy to compensate for inferential errors as it allows to only accumulate the information that is relevant for the upcoming decision (and ignore decision-irrelevant dimensions). Using a carefully designed task which manipulates participants’ ability to perform information accumulation either in its native sensory or in a more abstract category space, we found that human observers preferentially accumulate information in category space. For the exact same amount of information, this strategy improves the accuracy of human decisions. Multivariate pattern analysis of magnetoencephalography (MEG) signals further validated our hypothesis as we could decode a neural signature of this compressed representation during information accumulation, whose precision was predictive of participants’ decision accuracy at the single trial level. Overall, this thesis underlines the flexibility of human cognition under uncertainty, and points toward future research.