📊 statistics

Extending Evidence Accumulation Models to Bounded Continuous Self-report Data

Cet article présente et compare deux nouveaux modèles d'accumulation de preuves, le Modèle de Diffusion Demi-Circulaire et le Modèle de Diffusion à Dérive Bêta, pour analyser des données d'auto-évaluation continues bornées en utilisant une inférence bayésienne amortie afin de permettre une estimation robuste des paramètres et une sélection de modèles sans nécessiter de fonctions de vraisemblance analytiques.

Auteurs originaux : Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

Publié 2026-04-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez votre cerveau comme une usine en pleine effervescence tentant de prendre une décision. Depuis des décennies, les scientifiques utilisent un outil appelé modèle d'accumulation de preuves (EAM) pour comprendre le fonctionnement de cette usine. Traditionnellement, cet outil ne fonctionnait que pour des choix simples du type « Oui/Non » ou « Gauche/Droite ». Il imaginait un travailleur rassemblant des indices bruités jusqu'à ce qu'il en ait assez pour crier « Allez ! » et appuyer sur un bouton d'arrêt.

Mais que se passe-t-il lorsque le choix n'est pas simplement « Gauche » ou « Droite », mais quelque chose sur une échelle glissante ? Pensez à évaluer votre humeur sur un curseur allant de « Terrible » à « Incroyable », ou à indiquer à quel point vous aimez une chanson sur une échelle de 1 à 100. Ce sont des auto-évaluations continues bornées. Les anciens outils ne pouvaient pas gérer cela ; c'était comme essayer de mesurer la température d'une soupe avec une règle.

Cet article présente deux nouveaux outils spécialisés conçus spécifiquement pour ces décisions sur échelle glissante. Les auteurs les appellent le modèle de diffusion demi-circulaire (HCDM) et le modèle de diffusion Beta Drift (BDDM).

Voici comment ils fonctionnent, en utilisant des analogies simples :

1. Les deux nouveaux outils

Le modèle de diffusion demi-circulaire (HCDM) : La « Balle qui rebondit »
Imaginez une balle roulant sur un sol plat en forme de demi-lune (un demi-cercle).

L'objectif : La balle commence quelque part au milieu et roule vers le bord courbe.
La règle : Si la balle tente de rouler hors du bord droit et plat du demi-lune, elle ne tombe pas ; elle rebondit (se réfléchit) et reste dans la zone valide.
La décision : Au moment où la balle touche le bord courbe, la décision est prise. L'endroit où elle touche vous indique quelle est la réponse (par exemple, plus proche de « Négatif » ou de « Positif »), et la durée écoulée vous indique à quelle vitesse la décision a été prise.
Pourquoi cela fonctionne : C'est une manière ingénieuse de forcer un mouvement circulaire (qui est mathématiquement simple) à s'adapter à une ligne droite bornée (comme un curseur).

Le modèle de diffusion Beta Drift (BDDM) : La « Salle bondée »
Imaginez un long couloir avec 101 personnes alignées, chacune représentant un point différent de votre échelle de curseur.

L'objectif : Au lieu d'une seule balle qui roule, tout le monde dans la file rassemble des preuves en même temps.
La forme : La « dérive » (la vitesse à laquelle ils rassemblent des preuves) n'est pas la même pour tout le monde. Elle forme une forme de colline (comme une courbe en cloche ou une montagne). Le sommet de la colline est l'endroit où la personne est la plus confiante.
La décision : Au moment où n'importe qui dans la file rassemble suffisamment de preuves pour franchir une ligne d'arrivée, la décision est prise.
Pourquoi cela fonctionne : Ce modèle est plus flexible. Il peut gérer des situations où les gens sont très incertains (la colline est plate et large) ou très sûrs (la colline est haute et étroite). C'est comme avoir toute une équipe de travailleurs au lieu d'un seul.

2. Le problème : La « boîte noire » des mathématiques

Habituellement, pour utiliser ces modèles, les scientifiques ont besoin d'une formule mathématique spécifique (une « fonction de vraisemblance ») pour leur dire à quel point le modèle s'ajuste aux données. Mais pour ces nouveaux modèles complexes, cette formule est trop désordonnée pour être écrite. C'est comme essayer de résoudre un puzzle où les pièces changent constamment de forme.

La solution : Le « Robot d'entraînement » (Inférence bayésienne amortie)
Puisqu'ils ne pouvaient pas écrire la formule, les auteurs ont utilisé une astuce ingénieuse. Ils ont construit un réseau de neurones (un type d'IA) et l'ont entraîné comme un élève :

Simulation : Ils ont lancé des millions de fausses expériences sur un ordinateur, créant des milliers de scénarios de décision « fictifs » avec des réponses connues.
Apprentissage : Ils ont montré ces scénarios fictifs à l'IA, lui apprenant : « Lorsque tu vois ce motif de données, la réponse est celle-ci. »
Application : Une fois l'IA entraînée, ils lui ont fourni de vraies données humaines. L'IA n'avait pas besoin de la formule mathématique désordonnée ; elle reconnaissait simplement les motifs qu'elle avait appris et leur donnait la réponse.

3. Ce qu'ils ont découvert

Les auteurs ont testé ces outils sur de vraies données où des personnes jouaient à un jeu, gagnaient ou perdaient de l'argent, puis évaluaient leurs sentiments sur un curseur continu.

Les deux outils ont fonctionné : Ils ont pu déterminer avec précision à quelle vitesse les gens pensaient et à quel point ils étaient confiants.
La « Balle qui rebondit » (HCDM) était excellente pour la plupart des gens. Elle était rapide à calculer et fonctionnait bien pour des réponses standard.
La « Salle bondée » (BDDM) était l'« outil super ». Elle était meilleure pour gérer les extrêmes. Si une personne était extrêmement cohérente (choisissant toujours exactement le même endroit) ou extrêmement dispersée (sautant partout sur l'échelle), le BDDM s'ajustait mieux à ses données. Cela est dû au fait que le BDDM possède un bouton spécial de « contrôle du bruit » qui lui permet de gérer des trajectoires de décision très lisses ou très irrégulières.
Le compromis : Le BDDM est plus puissant mais beaucoup plus lent à entraîner. Il a fallu environ 13 minutes à l'ordinateur pour entraîner le modèle « Balle qui rebondit », mais près de 7 heures pour entraîner le modèle « Salle bondée ».

4. Les limites

Les auteurs ont noté que les deux outils avaient du mal lorsque les gens agissaient de manière étrange. Si un participant continuait à cliquer exactement au même endroit encore et encore (comme cliquer toujours sur « Neutre » ou toujours tout au bout), les modèles se perdaient. Les modèles supposent que les gens se déplacent de manière fluide le long de l'échelle, ils ne pouvaient donc pas prédire parfaitement ces comportements « bloqués ».

Résumé

En bref, cet article offre aux psychologues deux nouvelles règles spécialisées pour mesurer les décisions sur une échelle glissante. Ils ont utilisé une méthode d'entraînement IA intelligente pour rendre ces règles complexes utilisables. L'une est une règle standard et rapide (HCDM), et l'autre est une règle flexible et de haute précision (BDDM) qui gère mieux les comportements extrêmes mais prend plus de temps à calibrer. Cela permet aux chercheurs d'étudier enfin la « vitesse et la confiance » des sentiments et des opinions, et pas seulement des choix simples oui/non.

1. Énoncé du problème

Les modèles d'accumulation de preuves (EAM), tels que le modèle de diffusion à dérive (DDM), constituent le cadre standard pour l'analyse des choix binaires et des données de temps de réaction (RT). Cependant, un écart significatif existe dans la modélisation des données d'auto-évaluation continues bornées (par exemple, les échelles visuelles analogiques pour l'intensité émotionnelle, la confiance ou la préférence au risque).

Limites des modèles existants :
- Modèle de diffusion circulaire (CDM) : Conçu pour des tâches à symétrie rotationnelle (par exemple, l'estimation d'angles). Il est inadapté aux échelles linéaires bornées car il suppose un espace décisionnel circulaire complet.
- Modèle de diffusion spatialement continu (SCDM) : Conçu pour l'estimation perceptive où la position « correcte » du stimulus est connue externalement (par exemple, l'identification d'une couleur). Il ne peut pas gérer les auto-évaluations subjectives où la position cible n'est pas spécifiée externalement et doit être inférée à partir de la réponse elle-même.
Le défi : Les EAM standards nécessitent des fonctions de vraisemblance analytiques pour l'estimation des paramètres. Les adaptations proposées pour les données continues bornées impliquent des processus stochastiques complexes dépourvus de vraisemblances traitables, rendant l'estimation du maximum de vraisemblance (MLE) traditionnelle ou l'inférence bayésienne standard inenvisageables.

2. Méthodologie

Les auteurs proposent deux adaptations de modèles novatrices et un flux de travail d'inférence sans vraisemblance pour surmonter le problème de vraisemblance intraitable.

A. Modèles proposés

Modèle de diffusion demi-circulaire (HCDM) :
- Concept : Une adaptation du CDM où l'espace décisionnel est restreint à un demi-disque ( $D'$ ) plutôt qu'à un cercle complet.
- Mécanisme : Implémente un mécanisme de réflexion spéculaire à la frontière du diamètre ( $x_2 = 0$ ). Si la trajectoire de diffusion tente de traverser ce bord plat, le déplacement restant est réfléchi vers la région valide.
- Paramétrisation : Utilise un système de coordonnées polaires pour le vecteur de taux de dérive $(l, \phi)$ , où $l$ est la magnitude et $\phi$ l'angle par rapport à l'arc décisionnel. Cela permet au point de départ de varier sans contraindre les directions de dérive valides.
- Sortie : La réponse est l'angle polaire $\phi$ au moment du premier passage à la frontière courbe.
Modèle de diffusion à dérive Beta (BDDM) :
- Concept : Une adaptation du SCDM où le taux de dérive est défini sur un domaine spatial continu mais n'est pas lié à un stimulus externe.
- Mécanisme : La fonction de taux de dérive est modélisée comme une fonction de densité de probabilité (PDF) Beta mise à l'échelle, paramétrée par la moyenne ( $\mu$ ), la concentration ( $\kappa$ ) et la hauteur ( $h$ ).
- Bruit : Utilise un processus gaussien spatial avec un noyau exponentiel carré pour modéliser le bruit corrélé à travers l'espace décisionnel, assurant une accumulation biologiquement plausible.
- Sortie : La réponse est la position spatiale $u$ où la preuve accumulée traverse la frontière pour la première fois.

B. Cadre d'inférence : Inférence bayésienne amortie (ABI) et Comparaison (ABMC)

Puisque les vraisemblances analytiques ne sont pas disponibles, les auteurs emploient une inférence sans vraisemblance :

Entraînement basé sur la simulation : De grands ensembles de données sont simulés à partir des modèles en utilisant des paramètres de « vérité terrain » connus.
Réseaux de neurones :
- Réseau de résumé : Compresse des données de taille variable en statistiques suffisantes de taille fixe (en utilisant des SetTransformers).
- Réseau d'inférence : Apprend la correspondance des données vers la distribution a posteriori des paramètres (pour l'ABI) ou les probabilités de modèles (pour l'ABMC).
Comparaison de modèles (ABMC) : Utilise des Deep Ensembles (réseaux entraînés indépendamment multiples) pour estimer les probabilités a posteriori des modèles (PMP) et atténuer la sensibilité à la mauvaise spécification du modèle. Des données contaminées (5 % de bruit) sont ajoutées pendant l'entraînement pour assurer la robustesse.

3. Contributions clés

Extension théorique : Étend avec succès le cadre EAM aux données d'auto-évaluation continues bornées, comblant le fossé entre les modèles de décision binaire et le rapport subjectif continu.
Flux de travail méthodologique : Démontre un pipeline complet pour ajuster des EAM complexes et sans vraisemblance en utilisant l'ABI et l'ABMC, rendant ces modèles accessibles pour la recherche psychologique pratique.
Science ouverte : Fournit un code entièrement documenté, des ensembles de données exemples et des poids de réseaux de neurones entraînés pour faciliter l'adoption au sein de la communauté de psychologie expérimentale.
Interprétabilité des paramètres : Établit des interprétations psychologiques claires pour les nouveaux paramètres (par exemple, la magnitude du taux de dérive comme vitesse de traitement, la frontière comme prudence, et les paramètres Beta comme clarté de la preuve).

4. Résultats

Les modèles ont été appliqués à un ensemble de données empiriques impliquant une tâche de récompense probabiliste où les participants rapportaient des états affectifs sur un curseur continu.

Récupération des paramètres : Tanto le HCDM que le BDDM ont démontré une haute précision dans la récupération des paramètres de vérité terrain à partir de données simulées (corrélations $r > 0,95$ pour la plupart des paramètres).
Ajustement empirique :
- HCDM : Les paramètres étaient fortement corrélés aux statistiques de résumé empiriques. L'angle de dérive ( $\phi$ ) prédisait les notes affectives moyennes ( $r=0,992$ ), et la frontière ( $a$ ) prédisait le RT moyen ( $r=0,615$ ).
- BDDM : A montré des corrélations similaires mais offrait une flexibilité supérieure. Le mode du taux de dérive ($modedrift$) prédisait les notes moyennes ( $r=0,992$ ), et l'intervalle interquartile ( $IQR_{drift}$ ) prédisait la variabilité des notes.
Comparaison de modèles :
- Résultats ABMC : Environ 70 participants favorisaient fortement le BDDM, tandis que ~40 favorisaient le HCDM.
- Facteur de sélection : Le BDDM surpassait le HCDM principalement pour les ensembles de données avec des distributions de réponses extrêmes (soit fortement concentrées, soit fortement dispersées). Le paramètre de noyau du BDDM ( $\rho$ ) lui permet de modéliser des trajectoires de bruit irrégulières ou plates, capturant une variabilité extrême que le HCDM (qui suppose une dispersion modérée) ne peut pas saisir.
- Qualité d'ajustement (GOF) : Le $\Delta$ GOF (différence d'ajustement) s'alignait parfaitement avec les PMP ; les participants favorisant le BDDM présentaient des erreurs de prédiction plus faibles pour les distributions de notes extrêmes.
Limites : Les deux modèles ont eu des difficultés avec les distributions multimodales et groupées (par exemple, des participants s'ancrant strictement sur les extrémités « neutre » ou extrêmes), violant les hypothèses de continuité des modèles.

5. Importance et implications

Nouvelle boîte à outils pour les psychologues : Ce travail fournit une boîte à outils conviviale pour modéliser la dynamique cognitive des auto-évaluations continues, allant au-delà des analyses catégorielles ou binaires simples.
Compromis computationnel : L'étude met en évidence un compromis entre flexibilité et efficacité. Le BDDM offre un ajustement supérieur pour des données complexes mais nécessite des ressources computationnelles significativement plus importantes (400 minutes contre 13 minutes pour l'entraînement) en raison de son architecture discrétisée à 101 accumulateurs.
Perspectives futures : Les auteurs suggèrent que les travaux futurs devraient aborder les stratégies de réponse discrètes/ancrées (par exemple, via des modèles à inflation de zéro et un) et relier ces paramètres à des mesures neurales.
Généralisabilité : L'utilisation de méthodes bayésiennes amorties démontre que des EAM complexes et non standards peuvent être déployés efficacement dans la recherche réelle sans nécessiter de solutions de vraisemblance sous forme fermée.