Modélisation cognitive de l'ordre sériel visuo-spatial à l'aide d'un réseau de neurones artificiels

Abstract

Ce mémoire visait la modélisation de l’ordre sériel visuo-spatial en mémoire de travail à l’aide d’un réseau de neurones artificiels. Ainsi les principaux effets de l’ordre sériel visuo-spatial étaient simulés avec le modèle afin de voir si celui-ci rendait bien compte des données empiriques. La première partie de ce mémoire était constituée d’une revue de la littérature sur les différentes conceptions de la mémoire de travail. Le deuxième chapitre portait sur l’ordre sériel et ses différents modèles. Dans le troisième chapitre, la cognition spatiale était explorée, une partie importante portait sur les corrélats cérébraux et les différents neurones comme les « grids cells », suivie d’une partie sur la modélisation de l’ordre spatial. Dans le quatrième chapitre, les différentes manières de mesurer l’ordre visuo-spatial, en passant par la plus populaire, la tâche de Corsi ainsi que ses variantes, et ensuite la tâche d’Agam étaient abordés. Dans le dernier chapitre, les différents effets observés pour l’ordre sériel visuo-spatial étaient passés en revue. La deuxième partie du mémoire concernait l’architecture du réseau implémenté, ensuite la simulation de plusieurs effets empiriques était comparée avec des données empiriques de référence. Nous nous sommes basés sur le modèle de Botvinick et Plaut (2006) pour notre architecture. Bien que nous n’ayons pu répliquer le modèle par manque d’informations, nous avons pu proposer une version modifiée du modèle. Les résultats des simulations montraient que, globalement, un réseau récurrent pouvait rendre compte des différents effets visuo-spatiaux. Cependant, quelques limitations surviennent, comme la difficulté de rendre compte de la dissociation entre l’ordre et l’item, la modélisation du rappel indicé, ainsi que la généralisation des séquences apprises.