Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

En s'appuyant sur les niveaux d'analyse de Marr, cet article critique et affine les affirmations selon lesquelles la prédiction contextuelle est centrale dans le traitement du langage et que les modèles de langage sont indispensables aux avancées en psycholinguistique, tout en proposant des voies futures pour combiner leurs forces avec celles des modèles psycholinguistiques.

L'essentiel

Le Titre : Au-delà des prédictions, il faut comprendre le "moteur"

Imaginez que vous essayez de comprendre comment fonctionne une voiture.

• Les modèles de langage (IA) sont comme un très bon observateur qui regarde la route. Il peut prédire avec une précision incroyable : "À 99 %, il y aura un feu rouge après ce virage". Il a vu des millions de voitures passer et connaît les statistiques.
• Les linguistes (les auteurs de l'article) disent : "C'est bien de savoir où la voiture va, mais pour comprendre la voiture humaine, il faut aussi savoir comment le moteur tourne, comment le conducteur réagit et pourquoi il freine parfois même quand il n'y a pas de feu."

L'Histoire : On a déjà fait cette erreur (et on la refait)

Dans les années 1960, les scientifiques pensaient que la difficulté à comprendre une phrase dépendait uniquement de sa "complexité grammaticale" (comme compter le nombre de pièces d'un puzzle). C'était une erreur : ils regardaient la boîte du puzzle, pas comment le cerveau le monte.

Aujourd'hui, avec l'arrivée des Grands Modèles de Langage (LLM) comme ChatGPT, on recommence à faire la même chose, mais avec des outils plus puissants.

• L'idée actuelle : "Si l'IA dit qu'un mot est très improbable, le cerveau humain va avoir du mal à le lire." C'est ce qu'on appelle la théorie de la "surprise" (surprisal).
• Le problème : Les auteurs disent que c'est trop simple. L'IA ne fait que calculer des probabilités statistiques. Elle ne pense pas comme nous.

L'Analogie du Météo vs. Le Météorologue

Pour faire simple, voici la différence entre l'IA et le cerveau humain selon les auteurs :

1. L'IA (Le Météo) : Elle regarde les données passées et dit : "Il y a 80 % de chances qu'il pleuve demain." C'est une statistique froide.
2. Le Cerveau Humain (Le Météorologue) : Lui, il ne se contente pas de regarder les chiffres. Il a un "système de détection" interne.
   • S'il pleut, il ne s'arrête pas de marcher (il s'adapte).
   • S'il voit un nuage bizarre, il se demande pourquoi il est là (il cherche une cause).
   • Parfois, il se trompe de façon très spécifique (comme voir un fantôme dans un arbre), ce que l'IA ne ferait pas car elle suit juste les statistiques.

Pourquoi l'IA ne suffit pas ?

Les auteurs expliquent que l'IA a deux gros défauts pour expliquer le cerveau humain :

1. Elle confond les choses : Pour l'IA, "chien" et "chat" sont liés parce qu'ils apparaissent souvent ensemble dans les livres. Pour le cerveau humain, c'est plus subtil : on peut les lier par leur rôle (qui mange qui ?). L'IA rate parfois ces subtilités logiques.
2. Elle manque de "biologie" : Le cerveau humain est un organe biologique qui consomme de l'énergie et fonctionne par "prédictions" (comme un radar). L'IA est juste un calcul mathématique géant. Dire que le cerveau fonctionne exactement comme l'IA, c'est comme dire qu'un oiseau vole exactement comme un avion parce qu'ils ont tous deux des ailes. C'est vrai, mais le mécanisme est différent !

La Solution Proposée : Le "Moteur Hybride"

Au lieu de jeter l'IA ou de l'adorer comme un dieu, les auteurs proposent une troisième voie : l'hybridation.

Imaginez que vous construisez une voiture.

• Utilisez l'IA pour avoir les données (la carte, le trafic).
• Mais utilisez les modèles cognitifs (les anciennes théories sur comment le cerveau fonctionne) pour construire le moteur.

Les auteurs suggèrent d'utiliser l'IA pour vérifier nos théories, mais pas pour remplacer la compréhension de la mécanique du cerveau. Il faut regarder comment le cerveau traite l'information en temps réel, pas juste ce qu'il prédit statistiquement.

En Résumé

• Ce que l'article dit : Les modèles d'IA sont super pour prédire ce qui va se passer dans une phrase, mais ils ne nous disent pas comment notre cerveau le traite.
• La métaphore clé : L'IA est un excellent cartographe (elle connaît la carte), mais le cerveau humain est un conducteur (il gère le volant, le frein et les imprévus).
• Le message final : Ne nous contentons pas de regarder la carte (les probabilités de l'IA). Il faut comprendre le mécanisme de conduite (les processus mentaux) pour vraiment comprendre comment nous parlons et lisons.

C'est un appel à ne pas être trop "amoureux" de la technologie au point d'oublier la complexité biologique de notre propre esprit.

Résumé technique

Titre de l'article

À travers les niveaux d'analyse : Expliquer le traitement prédictif chez l'humain nécessite plus que des probabilités estimées par machine

1. Problématique

L'article répond au commentaire de Futrell et Mahowald (à paraître) qui soutient que les modèles de langage (LM) et les grands modèles de langage (LLM) ont révolutionné la psycholinguistique en validant l'idée que le traitement du langage repose sur l'inférence probabiliste.

Les auteurs identifient deux problèmes majeurs dans cette approche :

• La confusion des niveaux d'analyse (Marr) : Les défenseurs des LLM tendent à confondre le niveau computationnel (le "quoi" et le "pourquoi", ici la prédiction probabiliste) avec le niveau algorithmique (le "comment", les mécanismes mentaux réels).
• La limitation explicative : Bien que les LLM excellent à estimer la difficulté de traitement agrégée via la "surprise" (surprisal), ils échouent à expliquer les phénomènes fins et temporels du traitement humain, tels que les illusions linguistiques, les retards de traitement et les contrastes production/compréhension.
• Le risque de répétition historique : Les auteurs mettent en garde contre une répétition des erreurs de la "Théorie de la complexité dérivationnelle" (DTC) des années 1960, où des mesures de complexité syntaxique grossières étaient utilisées pour expliquer la difficulté de traitement, avant d'être démenties par des données plus fines.

2. Méthodologie et Approche

L'article n'est pas une étude empirique nouvelle, mais une analyse critique théorique et une synthèse de la littérature récente. La méthodologie repose sur :

• L'application du cadre de Marr : Réévaluation des modèles de langage à travers les trois niveaux de David Marr (computationnel, algorithmique, implémentationnel).
• Comparaison de modèles : Mise en contraste des prédictions des LLM (basées sur des probabilités contextuelles) avec les résultats expérimentaux de la psycholinguistique (temps de lecture, potentiels évoqués EEG, illusions syntaxiques).
• Examen de la plausibilité biologique : Évaluation de la capacité des LLM à servir de modèles neuronaux réalistes, en les comparant aux modèles de "codage prédictif" (predictive coding) et aux modèles cognitifs plus simples (ex: Elman, 1991).
• Synthèse de données récentes : Intégration de travaux montrant les échecs des LLM à capturer des effets qualitatifs (rôle des arguments, illusions) et quantitatifs (désambiguïsation syntaxique).

3. Contributions Clés

Les auteurs apportent plusieurs contributions théoriques majeures :

• Distinction entre association sémantique et attente contextuelle : Ils soulignent que les probabilités des LLM confondent l'association sémantique (ce qui est souvent lié) avec l'attente contextuelle (ce qui est attendu dans une structure spécifique), ce qui limite leur pouvoir explicatif sur les réponses neurales humaines (ex: composantes N400/P600).
• Limites des LLM pour les illusions linguistiques : Les LLM ne parviennent pas à reproduire les schémas qualitatifs des illusions linguistiques (où les humains "voient" une structure inexistante) ni les patterns quantitatifs de la désambiguïsation syntaxique, contrairement à des modèles plus simples et interprétables.
• Proposition d'une voie hybride : Au lieu de remplacer les modèles psycholinguistiques par des LLM, les auteurs proposent d'utiliser les LLM comme composants au sein de modèles algorithmiques plus riches, intégrant des contraintes de ressources cognitives et des mécanismes interactifs.
• Réhabilitation du codage prédictif : Ils défendent l'idée que les modèles de codage prédictif, ancrés dans la biologie neuronale, offrent une meilleure explication des données naturelles et contrôlées que les LLM purs, car ils modélisent explicitement les erreurs de prédiction et leur propagation.

4. Résultats et Arguments Principaux

• Échec de l'explication purement probabiliste : Bien que la théorie de la surprise (surprisal) explique bien les temps de lecture globaux, elle échoue à expliquer les effets de délai temporel, les contrastes production/compréhension et les illusions syntaxiques.
• Inadéquation biologique : Les succès des LLM sont "rhétoriquement" liés au codage prédictif mais manquent de plausibilité biologique directe. Les modèles neuronaux réalistes (basés sur des principes de codage prédictif) atteignent un pouvoir prédictif comparable aux LLM sur des données de lecture naturelle, tout en étant interprétables.
• Progression vers le niveau algorithmique : Le champ de la psycholinguistique a évolué vers l'étude des mécanismes algorithmiques (comment le cerveau traite l'information étape par étape). Les LLM, étant des boîtes noires statistiques, ne répondent pas à cette question de mécanisme.
• Nécessité de modèles intermédiaires : Les auteurs citent des travaux récents (ex: Nour Eddine et al., 2024 ; Ohams et al., 2026) montrant que des modèles combinant des principes cognitifs simples et des contraintes biologiques surpassent ou égalent les LLM tout en offrant une transparence mécanique.

5. Signification et Implications

Cet article est crucial pour l'avenir de la psycholinguistique computationnelle :

• Avertissement contre le déterminisme technologique : Il met en garde contre l'adoption aveugle des LLM comme modèles finaux du langage humain. Les LLM sont des outils puissants pour estimer la complexité, mais pas pour expliquer le mécanisme cognitif.
• Redéfinition du rôle des LLM : Les LLM doivent être vus comme des fournisseurs de données d'entrée (estimations de probabilité) à intégrer dans des modèles algorithmiques plus complexes, plutôt que comme des modèles de la cognition elle-même.
• Retour aux mécanismes : L'article plaide pour un retour aux modèles mécanistes qui peuvent expliquer comment les prédictions sont générées, mises à jour et intégrées dans le temps réel, en tenant compte des limites de ressources du cerveau humain.
• Futur de la recherche : La voie prometteuse réside dans l'intégration des forces des LLM (puissance statistique) avec les modèles psycholinguistiques (interprétabilité, contraintes cognitives) et les modèles neuronaux (plausibilité biologique), permettant ainsi de passer de l'observation de ce qui est imprévisible à la compréhension de comment cela est traité.

En conclusion, Nair et Phillips affirment que bien que les LLM aient "révitalisé" l'approche psycholinguistique de la complexité, la compréhension complète du traitement du langage humain exige de dépasser les simples probabilités pour explorer les mécanismes algorithmiques et implémentationnels.