Conditional GLMMs for reaction times in choice tasks

La piste de course secrète du cerveau

Imaginez que vous regardez une course, mais au lieu de coureurs sur une piste, les compétiteurs sont de minuscules étincelles de pensée filant à travers votre cerveau. Chaque fois que vous voyez un signe, entendez un son ou ressentez un toucher, votre cerveau doit décider de ce qu'il doit faire. Combien de temps cette décision prend-elle ? Cette pause d'une fraction de seconde entre le moment où l'on perçoit un stimulus et celui où l'on appuie sur un bouton est appelée « temps de réaction ». Depuis plus d'un siècle, les scientifiques sont obsédés par ces minuscules délais car ils sont comme une fenêtre sur la machinerie de l'esprit. En mesurant la rapidité ou la lenteur de nos réactions, les chercheurs tentent de comprendre les rouages invisibles qui tournent dans nos têtes.

Pour donner du sens à ces temps de réaction, les scientifiques utilisent généralement deux boîtes à outils différentes. La première boîte à outils ressemble à une simulation physique : elle imagine le cerveau comme une balle roulant le long d'une colline, prenant de la vitesse jusqu'à ce qu'elle percute un mur. Ce « temps de collision » est le moment où vous faites un choix. La seconde boîte à outils est une carte statistique appelée Modèle Linéaire Généralisé à Effets Mixtes (GLMM). Voyez cela comme un tableur super intelligent capable de trier des données désordonnées, en séparant la part du temps de réaction due à la tâche elle-même de celle qui est simplement due au fait que vous êtes un individu unique avec vos propres particularités. La grande question a toujours été : pouvons-nous utiliser la carte statistique pour rétro-concevoir la simulation physique ? Pouvons-nous regarder les chiffres désordonnés et dire : « Aha ! Le cerveau roulait à cette vitesse spécifique » ?

Relier les points : des feuilles de calcul aux roulements du cerveau

Cet article de Mauricio Tejo, Cristian Meza et Fernando Marmolejo-Ramos est comme un traducteur essayant de parler deux langues différentes à la fois. Les auteurs voulaient connecter la « physique » de la manière dont le cerveau prend des décisions avec la « statistique » de la manière dont nous mesurons ces décisions. Ils se sont concentrés sur un type spécifique de course mentale : une tâche de choix où vous devez choisir entre deux options, comme décider si un visage semble « triste » ou « joyeux ».

Voici l'astuce ingénieuse qu'ils ont utilisée. Au lieu de regarder tous les temps de réaction mélangés, ils ont divisé les données en deux tas : les moments où les gens ont choisi « triste » et les moments où les gens ont choisi « joyeux ». Ils ont ensuite appliqué un type spécial de modèle statistique (un GLGLM) à chaque tas séparément. Ils ont découvert que s'ils utilisaient des formes mathématiques spécifiques pour ces tas — spécifiquement les distributions Gaussienne Inverse et Gamma — ils pouvaient accomplir quelque chose de magique. Ces formes ne sont pas de simples astuces mathématiques aléatoires ; elles correspondent en réalité aux formes que l'on obtient lorsqu'on simule une balle roulant le long d'une colline jusqu'à ce qu'elle percute un mur.

En ajustant ces formes spécifiques aux données humaines réelles, les auteurs ont pu travailler à rebours. Ils ont pris les chiffres du modèle statistique et les ont utilisés pour reconstruire le « film caché » du processus de décision du cerveau. Ils ont pu estimer des éléments tels que le « taux de dérive » (la vitesse à laquelle l'information était recueillie) et le « point de départ » (là où la course mentale a commencé). Pour prouver l'efficacité de leur méthode, ils ont réalisé des simulations informatiques. Ils ont créé des données fictives suivant ces règles mathématiques exactes, ont exécuté leur modèle sur ces données, et ont réussi à récupérer la « physique » originale qu'ils y avaient injectée. C'était comme construire une maison à partir d'un plan, puis utiliser la maison terminée pour redessiner parfaitement le plan d'origine.

Le test en conditions réelles : visages souriants et tours de stylo

Pour voir si cela fonctionnait dans le monde réel, les auteurs ont appliqué leur méthode à une expérience célèbre impliquant 116 personnes observant des visages. Les visages allaient de « super triste » à « super joyeux », avec de nombreuses nuances de gris entre les deux. Les participants devaient rapidement dire si le visage était triste ou joyeux. Certains d'entre eux devaient même tenir un stylo entre leurs dents pendant qu'ils le faisaient (une astuce étrange destinée à forcer un sourire ou une grimace), tandis que d'autres n'avaient pas de stylo.

Les résultats étaient fascinants. Lorsque les visages étaient très clairs (un visage super triste ou un visage super joyeux), le « taux de dérive » était élevé. Cela signifie que le cerveau recueillait les informations rapidement et de manière décisive, entraînant des temps de réaction rapides. Mais quand les visages étaient ambigus (ressemblant un peu aux deux), le taux de dérive ralentissait. Le cerveau devait faire rouler la balle beaucoup plus longtemps avant de percuter le mur, ce qui entraînait des temps de réaction plus lents et plus variables.

Il est intéressant de noter que les auteurs ont découvert que l'astuce du « stylo entre les dents » ne semblait pas modifier la vitesse fondamentale du processus de décision du cerveau. Bien que le stylo ait pu changer la façon dont les gens se sentaient, il ne semblait pas altérer la « physique » centrale de la rapidité avec laquelle ils pouvaient traiter l'émotion. Le modèle statistique a montré que la vitesse de décision du cerveau était pilotée presque entièrement par la clarté du visage, et non par la présence ou l'absence d'un stylo dans la bouche.

Ce que cela signifie (et ce que cela ne signifie pas)

Les auteurs précisent avec prudence qu'il s'agit d'une « approximation basée sur les moments ». Pensez-y de cette façon : ils regardent la vitesse moyenne et l'écart moyen de la course pour deviner l'aménagement de la piste. C'est une très bonne supposition, et leurs simulations montrent que cela fonctionne bien, mais ce n'est pas une reconstruction parfaite, pixel par pixel, de chaque pensée. Ils ont également noté que leur modèle supposait que le temps de « non-décision » (le temps nécessaire pour simplement voir le visage et bouger le doigt, avant même que la réflexion ne commence) était nul. En réalité, ce temps existe, mais leur modèle traite l'ensemble du processus comme un seul roulement fluide.

Ils ont également comparé deux formes mathématiques différentes (Gamma et Gaussienne Inverse) et ont constaté que la distribution Gamma s'ajustait légèrement mieux aux données réelles que la Gaussienne Inverse. Cela suggère que pour ce genre de tâches liées aux visages émotionnels, la forme Gamma pourrait être le « plan » le plus précis du processus de décision du cerveau.

En fin de compte, cet article ne prétend pas avoir résolu le mystère de l'esprit humain. Il offre plutôt un nouveau pont puissant. Il montre que nous pouvons utiliser des outils statistiques standards, qui sont déjà intégrés dans de nombreux programmes informatiques, pour jeter un coup d'œil derrière le rideau et voir les processus cognitifs cachés qui dirigent nos choix. Il transforme un tas désordonné de temps de réaction en un récit clair sur la vitesse à laquelle nos cerveaux roulent vers une décision.