Les humains et les autres animaux sont doués pour apprendre par inférence, en utilisant les informations dont nous disposons pour comprendre des choses que nous ne pouvons pas observer directement. Une nouvelle recherche du Center for Mind and Brain de l’Université de Californie à Davis montre comment notre cerveau y parvient en construisant des cartes cognitives.
“Le travail suggère un nouveau cadre d’apprentissage dans des environnements structurés qui va au-delà de l’apprentissage incrémentiel et expérientiel des associations”, a déclaré Erie Boorman, professeur adjoint au département de psychologie de l’UC Davis et au Center for Mind and Brain et auteur principal de l’article.
Dans les environnements structurés, les éléments individuels sont systématiquement liés les uns aux autres comme ils le sont souvent dans le monde réel. Les connaissances de l’étude pourraient être exploitées pour améliorer les stratégies éducatives qui favorisent l’utilisation d’une carte cognitive pour un apprentissage accéléré par des inférences, et potentiellement, des approches pour accélérer le transfert de l’apprentissage dans l’apprentissage automatique en intelligence artificielle, a déclaré Boorman.
Apprentissage par inférence versus association
La plupart des études sur l’apprentissage se sont concentrées sur l’apprentissage par association – comment les animaux apprennent à associer une chose à une autre, par essais et erreurs. La différence entre ce qui était attendu et ce qui s’est réellement passé motive l’apprentissage dans de tels cas.
Lorsqu’il existe une structure cachée derrière ces associations, vous pouvez utiliser des observations directes pour déduire des résultats indirects et invisibles, en sautant devant la chaîne d’association directe.
Par exemple, savoir que la qualité des aliments saisonniers est régie par les changements météorologiques vous permet de déduire quels aliments sont les meilleurs à manger en fonction des aliments mûrs au cours de la même saison, a déclaré Boorman. L’observation des pommes mûres nous permet de déduire que les poires doivent également être mûres, mais pas les fraises. Ce type de structure est important à connaître lors de la prise de décisions.
Un autre exemple est celui d’un investisseur qui déduit que la baisse des actions Facebook peut être attribuée à une bulle technologique, suggérant que les actions Microsoft chuteront probablement bientôt également.
“Connaître cette relation cachée signifie que vous pouvez apprendre beaucoup plus rapidement”, a déclaré Boorman.
Tester l’apprentissage dans un système structuré
Pour étudier comment les humains peuvent utiliser une carte cognitive pour apprendre des informations, l’étudiant diplômé Phillip Witkowski, le scientifique du projet Seongmin Park et Boorman ont créé une tâche. Dans une série d’essais, on a demandé aux volontaires de choisir entre deux des quatre formes abstraites qui conduiraient à l’une ou l’autre de deux cartes-cadeaux différentes (par exemple, Starbucks ou iTunes). Les volontaires ont fait leurs choix en fonction de deux éléments d’information : leur estimation de la probabilité que chaque forme mène à une carte-cadeau particulière et un paiement attribué au hasard pour chaque carte-cadeau.
Les formes ont été divisées en deux paires. Dans chaque paire, la probabilité qu’une forme conduise à un résultat particulier était l’inverse de l’autre forme. Par exemple, s’il y avait 70 % de chances que la forme A conduise au résultat 1, il y avait 30 % de chances que la forme B conduise au même résultat, et vice versa pour le résultat 2. Ainsi, les sujets pouvaient obtenir des informations sur la probabilité d’un résultat par déduction de l’autre, comme les partages Microsoft à partir des partages Facebook. Les paires de formes n’étaient pas connectées, de sorte que les sujets ne pouvaient rien apprendre des résultats du choix des formes C ou D à partir des résultats du choix A ou B.
Les chercheurs ont suivi la façon dont les sujets ont découvert le système en observant leurs progrès au cours d’une série d’essais. Après avoir analysé les résultats, ils ont découvert que les volontaires utilisaient l’apprentissage inférentiel pour prendre des décisions sur les formes à choisir.
Certains des volontaires ont été invités à revenir pour la deuxième partie de l’expérience, effectuant la même tâche pendant que leur activité cérébrale était mesurée par imagerie par résonance magnétique fonctionnelle. L’apprentissage se traduit dans le cerveau par une poussée d’activité, une “mise à jour des croyances” lorsqu’il y a une différence entre vos connaissances antérieures et celles que vous venez d’acquérir. Une activité liée à l’apprentissage inférentiel a été trouvée dans le cortex préfrontal et la zone du mésencéphale où le neurotransmetteur dopamine est libéré.
Dans le même temps, les chercheurs ont trouvé une représentation de la probabilité cachée (ou latente) contrôlant les associations pour A et B dans le cortex préfrontal.
Les résultats de l’IRMf montrent que le cerveau représente différents résultats les uns par rapport aux autres, a déclaré Boorman. Cette représentation permet ces moments “aha”.
La pensée conventionnelle soutient que l’apprentissage progressif des récompenses des expériences directes est renforcé par la libération de dopamine dans le cerveau. La nouvelle étude implique également la dopamine mais pour l’apprentissage inférentiel.
“Notre travail suggère un rôle plus général des signaux de dopamine dans la mise à jour des croyances par inférence”, a déclaré Boorman.
