Soutenance de thèse de Laure TOSATTO

Les primates humains et non-humains sont en constante interaction avec leur environnement et sont exposés à un flux continu d’informations séquentielles. Afin de structurer ce flux, leur système cognitif est capable de repérer les patterns d’événements invariants, aussi appelés régularités, et d’organiser en réponse des séquences d’actions planifiées. Il existe une multitude d’informations séquentielles dont nous apprenons à extraire les régularités, depuis la marche ou l’épluchage d’un fruit, jusqu’à la pratique d’un instrument de musique ou la production et la perception du langage. Le terme d’apprentissage statistique désigne la capacité de nos systèmes cognitifs d’extraire les régularités de l’environnement et les processus par lequel nous les apprenons. De récents travaux dans le domaine de l’apprentissage statistique suggèrent que l’extraction de régularités repose sur des mécanismes élémentaires d’apprentissage associatif Hebbien, communs aux primates humains et non-humains. Cependant, une autre caractéristique du système cognitif commune aux primates est le fait que la mémoire de travail, responsable de l’intégration des régularités en mémoire, a une capacité limitée. Ainsi, lorsque les régularités prennent la forme d’une longue séquence d’informations, en raison des contraintes en mémoire de travail, cette séquence doit être segmentée en des paquets d’informations, appelés chunks, pour être compressée et exécutée plus rapidement et efficacement. Le présent travail s’intéresse aux dynamiques précises de l’apprentissage de séquences et du chunking. Dans cette thèse, nous nous sommes intéressés particulièrement à la formation des chunks durant l’apprentissage de séquences visuo-motrices et à leurs évolutions lors d’une pratique intensive, ainsi qu’à l’impact de la taille de ces séquences sur le chunking. Enfin, nous avons cherché à comprendre le rôle de l’apprentissage associatif, commun aux primates non-humaines et aux humains, et le rôle d’habiletés spécifiques aux humains, comme le langage, dans l’apprentissage de ces séquences. Nous avons donc adopté une approche comparative et contrasté les résultats obtenus chez des primates non-humains, en l’espèce, des babouins de Guinée (Papio papio), et chez des primates humains (Homo sapiens). Une première étude menée chez le babouin montre que les longues séquences sont, dans un premier temps, segmentées en de petits chunks. Ensuite, la taille de ces chunks augmente et leur nombre total diminue au cours de l’apprentissage par l’intermédiaire de deux mécanismes de réorganisation : la concaténation et la recombinaison. Une seconde étude chez le babouin confirme ces résultats pour des séquences plus courtes et indique que la dynamique des mécanismes de chunking varie en fonction de la taille de séquence régulière. Dans une troisième étude chez l’humain, nous avons pu comparer la dynamique du chunking entre primates humains et non-humains et avons pu mettre en évidence des similarités dans l’apprentissage associatif de séquences mais également des différences qualitatives probablement liées à la présence du langage chez l’humain. L’ensemble de ces travaux nous conduisent à reconsidérer les modèles actuels de l’apprentissage statistique implicite et à imaginer de nouvelles architectures computationnelles basées sur les principes de l’apprentissage Hebbien afin de rendre compte de la dynamique fine des processus fondamentaux de chunking dans l’apprentissage de séquences d’informations.

Humans and non-human primates are in constant interaction with the environment and exposed to a continuous stream of stimulations. To structure this continuous stream, their cognitive system is able to pick on invariant patterns of events, also known as regularities, and to organize planned sequences of actions in response. There is a multitude of sequential information from which we learn to extract regularities, from walking or peeling a piece of fruit to playing a musical instrument and processing or producing speech. Statistical learning designates the ability of our cognitive systems to extract regularities from the environment and the processes by which we learn them. Recent work in the field of statistical learning suggests that the extraction of regularities is supported by elementary Hebbian associative learning mechanisms, shared by human and non-human primates. However, another feature of the cognitive system common to all primates is that working memory, responsible for the integration of regularities in memory, has a limited capacity. Thus, when regularities take the form of a long sequence of information, due to working memory constraints, this sequence needs to be segmented into chunks of information, to be compressed and executed more quickly and efficiently. The present work is interested in studying the precise dynamics of sequence learning and chunking. In this thesis, we were particularly interested in the formation of chunks during the learning of long visuo-motor sequences and their evolution during extended practice, along with the impact of the length of these sequences on chunking. Finally, we sought to understand the role of associative learning, common to non-human primates and humans, and the role of human-specific skills, such as language, in the learning of these sequences. Therefore, we have adopted a comparative approach and contrast results obtained with non-human primates, namely Guinea baboons (Papio papio), and with human primates (Homo sapiens). A first study conducted in baboons shows that the long sequences are, at first, segmented into small chunks. Then, the size of these chunks increases, and their total number decreases during learning through two reorganization mechanisms: concatenation and recombination. A second study conducted in baboons confirms these results for shorter sequences and indicates that the dynamics of the chunking mechanisms vary according to the regular sequence’s length. In a third study conducted in humans, we were able to compare the dynamics of chunking between human and non-human primates and to highlight similarities in the associative learning of sequences, but also qualitative differences probably related to the presence of language in humans. This work leads us to reconsider the current models of implicit statistical learning and to imagine new computational architectures based on the principles of Hebbian learning in order to account for the fine dynamics of the fundamental chunking processes in the learning sequences of information.