Caractérisation des mécanismes cognitifs impliqués dans l'apprentissage social en situation d'incertitude et leur développement en réponse à des environnements hostiles en début de vie

Characterization of cognitive mechanisms involved in social learning under uncertainty and their development in response to harsh environments in early life

• Auteur / Autrice : Amric Trudel
• Direction : Valentin Wyart
• Type : Projet de thèse
• Discipline(s) : Sciences cognitives
• Date : Inscription en doctorat le 01/09/2023
• 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 : Equipe de recherche : Inference and Decision-Making
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure

Mots clés

Mots clés libres

Incertitude

Apprentissage

Décision

Modélisation

Comportement humain

Développement

Uncertainty

Learning

Decision making

Modeling

Human behavior

Development

Résumé

Ce projet de doctorat interdisciplinaire de trois ans vise à étudier, dans le cadre de deux axes de recherche, comment les différentes formes d'incertitude liées à l'adversité qui caractérisent les environnements de l'enfance peuvent façonner les capacités d'apprentissage de l'humain à long terme. Nous capitaliserons sur un travail antérieur dans lequel nous avons utilisé la psychométrie pour valider une classification de l'écologie de l'incertitude en début de vie qui distingue l'imprévisibilité de la volatilité, c'est-à-dire les changements stochastiques par rapport aux changements réels dans la valeur moyenne des facteurs d'adversité en début de vie (par exemple, les instabilités familiales par rapport au divorce des parents). Le premier axe auquel participera le doctorant utilisera la modélisation informatique pour étudier les effets de ces deux types d'incertitude au début de la vie sur l'apprentissage guidé par la récompense dans des contextes sociaux (compétition vs coopération) et asociaux, tandis que le deuxième axe utilisera la pupillométrie pour étudier les mécanismes neurophysiologiques sur lesquels ces effets peuvent s'appuyer. Nous nous attendons à ce que les personnes qui ont rencontré davantage de volatilité que d'imprévisibilité au début de leur vie soient plus susceptibles d'assigner l'incertitude environnementale à la volatilité, d'augmenter leur taux d'apprentissage et de diminuer leur niveau de bruit computationnel. En revanche, les personnes qui ont rencontré davantage d'imprévisibilité que de volatilité sont plus susceptibles d'attribuer l'incertitude environnementale à l'imprévisibilité, de diminuer leur taux d'apprentissage et leur adaptation comportementale, et d'augmenter leur niveau de bruit computationnel. On s'attendra à ce que ces deux tendances soient renforcées dans un environnement social.

This three-year interdisciplinary PhD project aims to study within 2 research axes how different forms of adversity uncertainty that characterize early life environments can shape human learning abilities in the long-term. We will capitalize on a previous work in which we used psychometrics to validate a classification of the ecology of early life uncertainty that distinguishes unpredictability from volatility, that is, stochastic vs genuine changes in the mean value of early life factors of adversity (e.g., family instabilities vs parents divorce). The 1st axis on which the PhD candidate will take part will use computational modelling to study the effects of these two types of early life uncertainty on reward-guided learning in both social (competition vs cooperation) and asocial contexts, whereas the 2nd Axis will use pupillometry to address the neurophysiological mechanisms on which these effects may rely. We expect that people who encountered relatively more volatility than unpredictability in early life are more likely to assign environmental uncertainty into volatility, increase their learning rates and decrease their computational noise level. By contrast, people who encountered relatively more unpredictability than volatility are more likely to assign environmental uncertainty into unpredictability, decrease their learning rates and behavioural adaptation, and increase their computational noise levels. These two patterns are expected to be strengthened in a social learning context.