CE28 - Cognition, éducation, formation tout au long de la vie

Architectures cognitives de l'apprentissage causale – CausaL

Résumé de soumission

La capacité d’inférer des relations de cause à effet est une facette essentielle de l’apprentissage. En particulier, apprendre la relation de cause à effet associée à chacune de nos actions constitue le point de départ d'une prise de décision rationnelle et permet aux individus de s’engager dans des comportements ou interactions sociales pertinents. Un certain nombre de théories psychologiques ont été proposées pour tenir compte des représentations internes de l'apprentissage causal. Cependant, une compréhension intégrée reliant les théories de l'apprentissage causal et les systèmes cérébraux sous-jacent fait toujours défaut.
Le projet CausaL étudiera les bases neurales et computationnelles de l'apprentissage causal dans le contexte des comportements dirigés vers un but (relations causales entre les actions et leurs conséquences). Pour ce faire, nous ciblerons deux verrous scientifiques importants. Le premier pose la question des modèles neuro-computationnels qui permettraient de relier les théories courantes de l’apprentissage causal et leurs bases neuronales. Le deuxième concerne le manque de compréhension de la dynamique neurale qui sous-tend l'apprentissage causal entre actions et conséquences. Deux études préliminaires de notre groupe montrent la faisabilité du projet. Le projet CausaL poursuivra ce travail le long de deux Tâches.
Dans la Tâche 1, nous comparerons deux approches neuro-computationnelles dominantes dans la littérature : l’Inférence Active (AI) et l’apprentissage par renforcement (RL). Si ces deux approches relient similairement les théories psychologiques de l’apprentissage causal et le jugement causal, elles diffèrent dans leur architecture conceptuelle : la première est basée sur des principes d’inférence Bayésienne et sur la minimisation de l’incertitude pendant le comportement exploratoire et d’exploitation ; la deuxième formalise l’apprentissage comme la maximisation des récompenses accumulées. Nos simulations préliminaires montrent que ces deux théories produisent des prédictions différentes concernant les profils comportementaux qu’on devrait observer au cours de l’apprentissage. Grâce à des simulations d'agents idéaux, nous comparerons les modèles AI et RL dans leur capacité à expliquer les données comportementales recueillies auprès d'une grande cohorte de participants (N=180). Enfin, nous explorerons les "meilleurs" modèles afin de faire des prédictions sur la dynamique neurale sous-jacente.
Dans la Tâche 2, nous étudierons comment les bases neuronales de l’apprentissage causale. En effet, l’apprentissage causal émerge de l’action coordonnée de l’activité de boucles fronto-striatales. Cependant, il n'est pas encore clair comment les régions fronto-striatales interagissent dynamiquement. Nous étudierons les données cérébrales afin de vérifier si les représentations internes prévues par les théories psychologiques et implémentées dans les modèles AI et RL (telles que les probabilités conditionnelles entre actions et conséquences, et les jugements causaux) sont encodées au niveau de la modulation de : i) la connectivité fonctionnelle cortico-corticale et cortico-striatale (en analysant des données neurophysiologiques issues de la magnétoencéphalographie et stéréo-électroencéphalographie intracrânienne); ii) l’activité de différent territoires fronto-striataux à travers l'analyse de données issues de l'imagerie par résonance magnétique fonctionnelle et par diffusion. La combinaison des données neurales fonctionnelles et structurelles vont révéler comment l’apprentissage causal entre actions et conséquences émerge des interactions dynamiques entre les circuits fronto-striataux. En conclusion, le projet CausaL offre une occasion unique de relier les modèles théoriques de l'apprentissage causal, les mécanismes comportementaux et la dynamique des réseaux cérébraux, autrement dit de découvrir les architectures cognitives de l'apprentissage causal (CausaL).

Coordinateur du projet

Monsieur Andrea Brovelli (Centre National de la Recherche Scientifique Délégation Provence et Corse _Institut de Neurosciences de la Timone)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

CNRS DR12 _INT Centre National de la Recherche Scientifique Délégation Provence et Corse _Institut de Neurosciences de la Timone
University College London / Causal Cognition Lab
University of Southern California, Department of Economics / Learning and Decision Making Lab
GIN- U1216 GRENOBLE INSTITUT DES NEUROSCIENCES (GIN)
ISIR Institut des Systèmes Intelligents et Robotiques
GATE - CNRS GROUPE D'ANALYSE ET DE THEORIE ECONOMIQUE LYON - ST-ETIENNE

Aide de l'ANR 466 663 euros
Début et durée du projet scientifique : décembre 2018 - 48 Mois

Liens utiles