Statistical inference for categorization models and presentation order - Laboratoire Jean-Alexandre Dieudonné Accéder directement au contenu
Thèse Année : 2020

Statistical inference for categorization models and presentation order

Inférence statistique pour les modèles de catégorisation et ordre de présentation

Résumé

This thesis is devoted to the study of categorization, which is the cognitive ability to organize entities into groups. In particular, we focus on presentation order and modeling. The objective is threefold: to investigate the influence of presentation order on category learning; to provide a robust statistical method to compare categorization models; and to explore whether categorization models are sensitive to specific types of order. Firstly, we report several experiments exploring the effects of two types of order on learning speed. In our experiments, participants were taught 4-feature category structures using either a rule-based presentation order (in which exemplars are presented following a ``principal rule plus exceptions'' structure) or a similarity-based presentation order (which maximizes the similarity between contiguous exemplars). We find that the rule-based order facilitates learning when the across-blocks manipulation was constant and categories were either blocked or randomly alternated. Secondly, we describe the selected categorization models and introduce a new categorization model that integrates the order in which stimuli are presented. Among transfer models (which are adapted to reproduce participants' performance during the transfer phase), we describe the Generalized Context Model (GCM), one of the most well-known categorization model; the Generalized Context Model equipped with a Lag mechanism (GCM-Lag), an extension of the GCM integrating a memory decay mechanism; and the new Ordinal General Context Model (OGCM), an extension of the GCM incorporating temporal information. Among learning models (which can reproduce participants' performance during both the learning and transfer phases), we describe ALCOVE, which integrates the logic underlying the GCM in a neural network structure, and Component-Cue, which incorporates an induction strategy in a neural network structure. Thirdly, we develop a robust statistical method to compare categorization models and apply it separately to both transfer and learning models. We find that the transfer model that best fits our dataset is the version of the OGCM that takes into account the most frequent presentation order received during the learning phase. This result indicates that the information provided by the ordinal dimension is relevant for the categorization task. We also find that Component-Cue best captures the generalization patterns, while ALCOVE best captures the learning dynamics. Finally, we investigate whether the performance of the selected learning models is related to the type of order in which stimuli are presented. We find that both learning models are sensitive topresentation order, in particular the generalization patterns of Component-Cue are consistent with a rule-based retrieval. Finally, we describe how to apply transfer models to learning data using the segmentation and the segmentation/clustering. The application of these two techniques to our dataset shows that there are two groups of participants: high-speed and low-speed participants. Moreover, using the segmentation/clustering method, we find a relation between participants' learning speed and type of order. In particular, participants that showed a high-speed learning in the early stage of the categorization task mostly received a rule-based order
Cette thèse se consacre à l'étude de la catégorisation, qui est la capacité cognitive de placer des objets dans des groupes. Plus particulièrement, nous nous intéressons à l'ordre de présentation et à la modélisation. L'objectif de cette thèse est triple : étudier l'influence de l'ordre de présentation dans l'apprentissage des catégories ; fournir une méthode statistique robuste pour la comparaison des modèles de catégorisation ; et déterminer si les modèles de catégorisation sont sensible à différent types d'ordre. Dans un premier temps, nous décrivons les expériences effectuées dont le but est d'explorer l'influence de deux types d'ordre sur la vitesse d'apprentissage. Dans ces expériences, les participants devaient apprendre une règle de catégorisation concernant des objets quadridimensionnels. Les stimuli étaient présenté en utilisant soit un ordre par règle, qui présente les objets de la règle principale en premier, soit un ordre par similarité, qui maximise la similarité entre objets consécutifs. Nous trouvons que l'ordre par règle facilite l'apprentissage quand les stimuli sont présentés dans le même ordre d'un bloc à un autre et quand les catégories sont bloquées ou présentées de façon aléatoire. Dans un deuxième temps, nous décrivons les modèles de catégorisation sélectionnés et introduisons un nouveau modèle de catégorisation qui intègre l'ordre de présentation. Parmi les modèle de transfert, qui ne sont adaptés qu'à reproduire la phase de transfert, nous décrivons le Generalized Context Model (GCM), qui est un des modèles de catégorisation les plus connus, le Generalized Context Model équipé avec un mécanisme de délai (GCM-Lag), qui est une extension du GCM qui prend en compte un mécanisme de perte de mémoire, et le nouveau Ordinal General Context Model (OGCM), qui est une extension du GCM qui prend en compte l'ordre de présentation des stimuli. Parmi les modèles d'apprentissage, qui reproduisent aussi bien la phase d'apprentissage que celle de transfert, nous décrivons ALCOVE, qui intègre la logique du GCM dans un réseau de neurones, et Component-Cue, qui intègre une stratégie par induction dans un réseau de neurones. Dans un troisième temps, nous développons une méthode robuste d'inférence statistique pour comparer les modèles de catégorisation. Cette méthode est séparément appliquée aux modèles de transfert et d'apprentissage. Nous trouvons que le modèle de transfert qui reproduit au mieux notre jeu de données est la version d'OGCM qui prend en considération l'ordre de présentation le plus fréquent pendant la phase d'apprentissage. Ce résultat montre que l'information fournie par la composante temporelle est importante pour classifier les objets. De plus nous trouvons que Component-Cue capture mieux les motifs de généralisation et ALCOVE capture mieux la dynamique d'apprentissage. Enfin, nous explorons la possibilité que les performances des modèles d'apprentissage soient dépendantes de l'ordre de présentation. Nous montrons que les deux modèles d'apprentissage sélectionnés sont sensible à l'ordre et que les motifs de généralisation de Component-Cue sont compatible avec un apprentissage par règle. Pour terminer, nous décrivons comment appliquer des modèles de transfert à des données d'apprentissage en utilisant la segmentation et la segmentation/clustering. L'application de ces deux techniques à notre jeu de données montre la présence de deux groupes d'individus : les individus rapides et les individus lents. De plus, en utilisant la segmentation/clustering, nous trouvons une relations entre la vitesse d'apprentissage des individus et l'ordre de présentation. En particulier, les individus qui ont montré une vitesse d'apprentissage élevée au début de l'expérience avaient reçu pour la plupart un ordre par règle.
Fichier principal
Vignette du fichier
2020COAZ4106.pdf (13.27 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03219311 , version 2 (11-05-2021)

Identifiants

  • HAL Id : tel-03219311 , version 2

Citer

Giulia Mezzadri. Statistical inference for categorization models and presentation order. Mathematics [math]. Université Côte d'Azur, 2020. English. ⟨NNT : 2020COAZ4106⟩. ⟨tel-03219311⟩
143 Consultations
42 Téléchargements

Partager

Gmail Facebook X LinkedIn More