Different representation learning objectives recover distinct latent structures from the same psychometric data

Dans les recoins tranquilles d'une salle de classe, l'expérience quotidienne d'un enseignant et le comportement d'un enfant sont profondément entrelacés. Nous savons que le sentiment de bien-être d'un enseignant, sa confiance en ses compétences et le climat émotionnel qu'il crée peuvent façonner la manière dont les enfants agissent et apprennent. Depuis des décennies, les scientifiques étudient ce lien en demandant aux enseignants et aux enfants de remplir de longues listes de questions sur leurs sentiments et leurs actions. Traditionnellement, les chercheurs ont pris ces centaines de réponses individuelles, les ont additionnées pour obtenir quelques scores de synthèse, puis ont cherché des modèles entre ces scores. Cette méthode fonctionne, mais elle suppose que l'histoire la plus importante est cachée dans les moyennes. Elle traite la réalité détaillée et complexe d'une seule question sur l'humeur d'un enfant ou le stress d'un enseignant comme étant moins importante que le chiffre final qu'elle aide à créer.

Récemment, une nouvelle approche est apparue dans l'étude du comportement humain, utilisant des systèmes informatiques puissants pour examiner directement les réponses individuelles brutes. Ces systèmes, souvent appelés apprentissage de représentation, tentent de trouver des modèles cachés dans des données de haute dimension sans qu'on leur dise d'abord quoi chercher. Ils peuvent prendre des milliers de détails spécifiques et les compresser en une carte plus simple où les choses similaires sont proches les unes des autres. Une question naturelle se pose alors pour les scientifiques utilisant ces outils : si vous soumettez le même ensemble de réponses à des questionnaires à différents systèmes informatiques, trouvent-ils tous la même carte cachée ? Ou le but spécifique de l'ordinateur change-t-il la carte qu'il dessine ? Cette question est cruciale car si le but de l'ordinateur modifie la carte, alors la « vérité » que nous trouvons dans les données pourrait dépendre davantage de l'outil que nous utilisons que des personnes que nous étudions.

Une équipe de chercheurs s'est donné pour mission de répondre à cette question en utilisant les données d'une grande étude préscolaire à Chypre. Ils avaient accès à 757 paires appariées d'enseignants et d'enfants, où chaque enseignant avait rempli 139 questions sur son propre bien-être et son travail, et chaque enfant avait été évalué sur 82 questions concernant son comportement. Les chercheurs voulaient voir s'ils pouvaient utiliser ces questionnaires liés pour construire une carte partagée où un enseignant et son enfant spécifique apparaîtraient proches l'un de l'autre. Parallèlement, ils voulaient voir si cette carte permettrait également de regrouper naturellement les enfants ayant des profils comportementaux similaires, tels que ceux qui sont hautement adaptables par rapport à ceux qui sont en difficulté.

Pour commencer, les chercheurs ont d'abord établi à quoi ressemblait une « carte comportementale » en utilisant une méthode standard et bien comprise. Ils ont pris les 82 questions comportementales des enfants et ont utilisé une technique appelée analyse en composantes principales pour trouver les principaux modèles. Ce processus a révélé quatre groupes distincts d'enfants. Un groupe présentait des niveaux élevés de fonctionnement adaptatif, signifiant qu'ils géraient bien les situations sociales. Un autre groupe était modérément adaptatif, un troisième montrait une certaine vulnérabilité, et un quatrième faisait face à des risques comportementaux élevés. Ces groupes étaient clairs et distincts ; les enfants du groupe à haut risque présentaient des scores très différents sur leurs échelles de comportement par rapport au groupe à haut fonctionnement. Cela a confirmé que les données contenaient une structure forte et naturelle concernant le comportement des enfants.

Ensuite, les chercheurs ont tenté de construire une carte qui connecterait les enseignants à leurs enfants spécifiques. Ils ont utilisé une méthode d'apprentissage informatique moderne appelée apprentissage contrastif. Imaginez un système à qui l'on dit : « Voici un enseignant et voici son enfant ; faites que leurs empreintes numériques se ressemblent beaucoup. Voici un enseignant et un enfant qui ne se connaissent pas ; faites que leurs empreintes numériques soient très différentes. » L'ordinateur a appris à ajuster sa carte interne pour atteindre cet objectif. Les résultats furent frappants. Lorsque les chercheurs ont demandé à l'ordinateur de trouver l'enfant correspondant à un enseignant donné, il a réussi bien mieux que la méthode standard. Avec la méthode standard, l'ordinateur ne pouvait deviner l'enfant correct qu'environ 0,13 % du temps. Avec cette nouvelle méthode d'apprentissage contrastif, il a trouvé le bon enfant du premier coup 7,27 % du temps, et parmi les dix meilleures propositions 56,14 % du temps. Cela a prouvé que l'ordinateur pouvait apprendre avec succès la connexion unique entre un enseignant spécifique et son élève spécifique.

Cependant, un problème surprenant est apparu lorsque les chercheurs ont examiné les groupes comportementaux des enfants au sein de cette nouvelle carte. Bien que l'ordinateur soit excellent pour associer les enseignants aux enfants, il était incapable de regrouper les enfants par leur comportement. Les quatre groupes comportementaux clairs identifiés précédemment avaient presque disparu. Les enfants hautement adaptables étaient dispersés partout sur la carte, mélangés à ceux qui présentaient des risques élevés. L'ordinateur avait appris à percevoir la connexion enseignant-enfant si bien qu'il avait essentiellement effacé les différences entre les types de comportements des enfants. La carte était optimisée pour les relations, et non pour la personnalité.

Pour tester s'il s'agissait d'un compromis fondamental, les chercheurs ont essayé une troisième approche. Ils ont construit un système qui avait deux tâches simultanées : il devait associer les enseignants aux enfants, et il devait également prédire le groupe comportemental de l'enfant. Ils espéraient que cela forcerait l'ordinateur à conserver les deux types d'informations. Le résultat fut un compromis. Le système est devenu bien meilleur pour regrouper à nouveau les groupes comportementaux, les groupes devenant distincts et clairs. Mais cette amélioration eut un coût. La capacité du système à associer les enseignants à leurs enfants spécifiques a chuté de manière spectaculaire, revenant à des niveaux similaires à ceux de la méthode standard.

L'étude conclut qu'il n'existe pas de carte unique et parfaite de ces données. La structure cachée qu'un ordinateur trouve dépend entièrement de ce qu'on lui demande de chercher. Si l'objectif est de trouver le lien entre un enseignant et un enfant, l'ordinateur trouve une carte riche en ces connexions mais perd les groupes comportementaux. Si l'objectif est de trouver les groupes comportementaux, l'ordinateur les trouve, mais perd les liens spécifiques enseignant-enfant. Les chercheurs suggèrent que la correspondance enseignant-enfant et les phénotypes comportementaux sont deux types différents d'organisation existant au sein des mêmes données. L'un n'est pas plus « réel » que l'autre, mais un seul modèle informatique ne peut capturer les deux de manière égale. Cette conclusion sert de rappel que lorsque nous utilisons des outils avancés pour étudier le comportement humain, les réponses que nous obtenons sont façonnées par les questions que nous posons à la machine. Les données ne sont pas simplement là, attendant d'être lues ; elles révèlent différentes vérités selon la lentille que nous utilisons pour les observer.