Résumé Technique : Modélisation de la Mémoire Émotionnelle chez l'Enfant via les Réseaux de Tenseurs

1. Énoncé du Problème

La mémoire humaine n'est pas une simple relecture statique d'événements, mais un processus reconstructif actif, sensible au contexte, à la valence émotionnelle et à l'ordre temporel. Bien que les modèles psychologiques classiques reconnaissent que les expériences émotionnelles sont souvent mémorisées plus intensément que les expériences neutres (l'effet d'amélioration de la mémoire émotionnelle), ils peinent à expliquer la dynamique complexe et dépendante de l'ordre du temps. Plus précisément, les modèles standards supposent souvent :

• L'Indépendance : Le rappel d'un élément est statistiquement indépendant des autres.
• La Linéarité : La valence émotionnelle agit comme un simple modificateur scalaire de la probabilité de rappel.
• L'Encodage Fixe : Les souvenirs sont stockés sous forme de traces fixes plutôt que d'états évolutifs.

Ces hypothèses ne parviennent pas à capturer comment le contexte émotionnel des éléments précédents et suivants influence le rappel d'un objet spécifique. De plus, les modèles probabilistes classiques sont confrontés à la « malédiction de la dimensionnalité » lorsqu'ils tentent de modéliser les distributions de probabilité conjointes de séquences avec de multiples résultats, nécessissant un nombre exponentiel de paramètres ($d^n$) qui deviennent informatiquement insolubles.

L'article postule que les cadres d'inspiration quantique, spécifiquement les Réseaux de Tenseurs, offrent une structure mathématique plus adaptée. Contrairement aux modèles classiques, ces cadres gèrent naturellement la non-commutativité (dépendance à l'ordre), l'interférence et l'évolution de l'état sensible au contexte sans nécessiter de paramètres exponentiels, à condition que les corrélations sous-jacentes puissent être compressées.

2. Méthodologie

A. Protocole Expérimental

Les auteurs ont mené une étude auprès de 50 enfants (âgés de 4 à 11 ans) pour générer des données sur la mémoire de l'ordre temporel.

• Stimuli : Cinq jouets ont été présentés séquentiellement dans chaque essai. Les jouets ont été classés comme Positifs (visuellement engageants, ex: figurines d'action) ou Neutres (blocs de bois simples).
• Procédure : Les enfants ont observé une séquence de 5 jouets (10s chacun) et ont été plus tard invités à les sélectionner et à les disposer dans l'ordre original à partir d'une boîte contenant 7 articles (5 cibles + 2 leurres).
• Design : Un plan intra-sujets 2x2 manipulant la Valence (Positif vs Neutre) et la Répétition (Présentation initiale vs Représentation après un délai).
• Collecte de Données : 50 participants ont complété jusqu'à 10 essais. Les données incluaient la précision de la sélection des objets, la précision de l'ordre et les temps de réponse.

B. Analyse Classique

L'analyse initiale a utilisé des ANOVA à mesures répétées et des tests t.

• Résultats : Les objets de valence positive étaient mémorisés avec une précision et un ordre temporel supérieurs aux objets neutres. Cependant, les outils statistiques standards n'ont pas réussi à démontrer la dépendance intrinsèque de l'ordre de l'événement, montrant seulement des différences de moyennes avec un bruit élevé. Un modèle linéaire classique a échoué à modéliser l'événement, produisant une faible précision.

C. Modélisation par Réseau de Tenseurs

Les auteurs ont développé trois modèles progressifs utilisant des États de Produit de Matrices (MPS), un type de réseau de tenseurs, pour factoriser la distribution de probabilité conjointe des résultats de rappel.

1. Modèle Qubit (Binaire) :

   • Espace d'États : Chaque article $i$ est une variable binaire : $|0\rangle$ (incorrect) ou $|1\rangle$ (correct).
   • Structure : Un tenseur d'ordre 5 représentant la probabilité conjointe de 5 articles.
   • Méthode : Le tenseur a été construit à partir des fréquences expérimentales (avec un lissage de Laplace pour gérer la parcimonie) et factorisé en un MPS en utilisant la Décomposition en Valeurs Singulières Séquentielle (SSVD).
   • Prédiction : Les articles futurs sont prédits en conditionnant sur les observations passées et en marginalisant les sites futurs.

2. Modèle Qutrit (Trois États) :

   • Espace d'États : Étendu pour distinguer entre :
     • $|0\rangle$ : Article complètement oublié/incorrect.
     • $|1\rangle$ : Article correct, position incorrecte.
     • $|2\rangle$ : Article correct, position correcte.
   • Défi : Cela a augmenté l'espace d'états de $2^5$ (32) à $3^5$ (243), exacerbant la parcimonie des données.

3. Modèle Qutrit avec Amorçage de la Valence (État Composé) :

   • Innovation : Ce modèle encode explicitement la valence émotionnelle dans l'indice physique du réseau de tenseurs.
   • Espace d'États : Chaque site représente un état composé $|v_i, s_i\rangle$, où $v_i \in \{0, 1\}$ (Neutre/Positif) et $s_i \in \{0, 1, 2\}$ (Résultat de rappel). Cela crée un espace local de 6 dimensions ($2 \times 3$).
   • Mécanisme : Le modèle traite la valence comme une étape d'« amorçage » qui conditionne l'état de rappel. Lors de la prédiction, la valence connue de l'article cible est utilisée pour projeter le tenseur dans le sous-espace de rappel pertinent de 3 dimensions avant d'évaluer les probabilités. Cela force le réseau à apprendre simultanément la distribution conjointe du contexte émotionnel et du résultat de rappel.

3. Résultats Clés

A. Performance des Modèles

• Modèle Qubit : A atteint une précision de séquence globale de 48,96 %, tombant en dessous de la ligne de base de chance binaire de 50 %. Il souffrait d'un déséquilibre de classe sévère, prédisant par défaut "incorrect" pour la plupart des articles.
• Modèle Qutrit : La précision est tombée à 22,71 %. Le modèle a échoué à prédire les rappels "hors ordre" (F1-score : 0,00), probablement en raison d'une parcimonie extrême des données (243 séquences possibles contre 404 essais) et de l'incapacité à apprendre la distribution conditionnelle de la classe minoritaire.
• Modèle Qutrit avec Amorçage de la Valence : A atteint une précision de séquence globale de 77,98 %.
  • Il a prédit avec succès la classe "hors ordre" (F1-score : 0,618) ainsi que la classe majoritaire "en ordre".
  • La précision était uniforme à travers les positions de séquence (~70-78 %), contrairement aux modèles précédents qui montraient des chutes brutales après le premier article.

B. Analyse Structurelle (Dimensions de Liaison)

• Qubit/Qutrit : La décroissance des valeurs singulières était rapide et les dimensions de liaison étaient faibles, suggérant que les modèles mémorisaient essentiellement la classe majoritaire plutôt que de capturer des dépendances complexes.
• Amorçage de la Valence : Les dimensions de liaison empiriques ont augmenté de manière significative (ex: [6, 22, 24, 6]) et les valeurs singulières ont décroissé plus graduellement. Cela indique que le modèle conditionné par la valence a réussi à capturer des corrélations riches et non triviales (« intrication ») entre les articles.
• Sensibilité au Seuil : Contrairement aux modèles plus simples, la précision du modèle avec amorçage de la valence se dégradait lorsque le seuil de troncature SVD augmentait au-delà de $10^{-2}$. Cela confirme que les valeurs singulières d'ordre supérieur contenaient une information prédictive réelle concernant l'interaction entre la valence et l'ordre, plutôt que du simple bruit.

C. Observations Empiriques sur la Valence

Les paysages de probabilité ont révélé que la valence émotionnelle n'est pas un simple modificateur scalaire mais une variable structurelle :

• Positif-Neutre : Un article positif suivi d'un article neutre entraînait souvent l'échec du rappel de l'article neutre, suggérant que les ressources attentionnelles étaient consommées par l'article positif.
• Neutre-Positif : Un article positif suivant un article neutre était bien mémorisé, ce qui est cohérent avec l'amélioration de la mémoire émotionnelle.
• Positif-Positif : Des articles positifs consécutifs créaient des demandes d'encodage concurrentes, réduisant le rappel du second article.

4. Signification et Revendications

L'article affirme que le Réseau de Tenseurs avec Amorçage de la Valence démontre l'efficacité des méthodes d'inspiration quantique pour modéliser les phénomènes dépendants de l'ordre dans la mémoire humaine.

• Supériorité sur les Modèles Classiques : L'augmentation massive de la précision (de ~23 % à ~78 %) en incorporant la valence comme composante structurelle, plutôt que comme variable externe, suggère que les modèles classiques supposant l'indépendance ou un encodage linéaire sont insuffisants pour cette tâche.
• Sensibilité au Contexte : Les résultats soutiennent la vision d'une mémoire comme un processus dynamique et dépendant de l'état, où le contexte émotionnel d'un événement remodèle la structure de probabilité du rappel ultérieur, plutôt que de simplement renforcer une trace mémorielle fixe.
• Cadre de Cognition Quantique : Cette étude fournit un soutien comportemental préliminaire aux cadres de la cognition quantique en psychologie du développement. Elle suggère que la mémoire temporelle des enfants implique des effets d'interférence et des dépendances non-commutatives (où l'ordre de l'évaluation importe) qui sont naturellement capturés par la structure de l'espace de Hilbert des réseaux de tenseurs.
• Nouvel Outil : Le protocole expérimental présenté sert de nouvel outil pour explorer la mémoire temporelle émotionnelle chez l'enfant, capable d'être analysé tant par des modèles cognitifs classiques que par des modèles de type quantique.

Les auteurs restent modestes, notant que l'étude est limitée par un seul jeu de données, des problèmes potentiels de parcimonie des données et l'absence d'une base de données validée de jouets émotionnels pour enfants. Ils ne prétendent pas prouver des processus physiques quantiques dans le cerveau, mais plutôt que la structure mathématique de la mécanique quantique (espaces de Hilbert, superposition, interférence) offre un cadre cohérent et plus précis pour modéliser les comportements cognitifs observés.