Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions

Cette étude démontre que les mécanismes sous-tendant la confiance dans les décisions perceptives ne sont pas universels, mais s'adaptent à la structure de la tâche, favorisant un modèle intentionnel intégré en présence d'incitations et un modèle hiérarchique probabiliste dans des conditions neutres.

L'essentiel

🧠 Le Grand Duel : Comment notre cerveau décide-t-il de sa propre certitude ?

Imaginez que vous êtes un juge dans un tribunal. Vous devez décider si un accusé est coupable ou innocent. Mais il y a une question piège : comment savez-vous que votre verdict est juste ? Avez-vous une petite voix intérieure qui vous dit "Je suis sûr à 100%" ou "Je suis un peu inquiet" ?

Les scientifiques se posent cette question depuis longtemps. Ils veulent savoir comment notre cerveau calcule cette "confiance". Dans cet article, les chercheurs ont comparé deux théories opposées, comme deux architectes qui proposent des plans de maison différents pour expliquer comment fonctionne notre esprit.

🏗️ Les deux architectes (les deux théories)

1. L'Architecte "Hiérarchique" (Le Chef et son Assistant)

• L'idée : C'est un processus en deux étapes. D'abord, le cerveau prend une décision (gauche ou droite). Ensuite, comme un chef qui vérifie son travail, un "assistant" (un processus métacognitif) regarde les preuves, calcule la probabilité d'avoir raison, et ensuite vous dit : "C'est bon, on peut être confiant" ou "Hésite un peu".
• L'analogie : C'est comme un cuisinier qui termine son plat (la décision), puis goûte la sauce (l'évaluation) pour décider s'il faut la servir avec un grand sourire (haute confiance) ou avec un air dubitatif (basse confiance).

2. L'Architecte "Intentionnel" (Le Sprint en 4 Voies)

• L'idée : Ici, il n'y a pas de deuxième étape. La décision et la confiance sont nées en même temps, comme des jumeaux. Le cerveau lance une course entre quatre coureurs simultanés : "Gauche-Haute Confiance", "Gauche-Basse Confiance", "Droite-Haute Confiance", "Droite-Basse Confiance". Le premier qui touche la ligne d'arrivée gagne, et le verdict (choix + niveau de confiance) est immédiat.
• L'analogie : C'est comme une course de relais où quatre équipes partent en même temps. Dès qu'une équipe gagne, vous savez à la fois qui a gagné et avec quelle force elle a couru. Pas besoin de regarder le chronomètre après coup.

🎮 L'Expérience : Deux jeux différents

Pour savoir qui a raison, les chercheurs ont fait jouer des humains à deux jeux différents, un peu comme tester deux voitures sur deux types de routes.

• Le Jeu 1 (Mouvement de points) : Les joueurs devaient dire si des points bougeaient vers la gauche ou la droite. La particularité : Ils étaient récompensés en points si leur confiance était justifiée (comme un pari). Si vous pariez "Haute Confiance" et que vous avez raison, vous gagnez gros. Si vous vous trompez, vous perdez beaucoup.
• Le Jeu 2 (Luminosité) : Les joueurs devaient dire quelle tache était la plus brillante. La particularité : Pas de points, pas de récompense, pas de pression. C'était juste un exercice de perception.

🏆 Le Résultat : Tout dépend du contexte !

C'est là que ça devient fascinant. Les deux modèles ont gagné, mais pas sur le même terrain.

1. Sur le jeu avec les points (avec récompense) :

   • Le modèle "Intentionnel" (la course en 4 voies) a gagné haut la main.
   • Pourquoi ? Quand on vous dit "Misez gros si vous êtes sûr", votre cerveau semble changer de stratégie. Il ne vérifie plus après coup. Il lance directement la course entre les options "Je suis sûr" et "Je ne suis pas sûr". C'est une stratégie rapide et efficace pour maximiser les gains.

2. Sur le jeu de luminosité (sans récompense) :

   • Le modèle "Hiérarchique" (Chef et Assistant) a gagné.
   • Pourquoi ? Sans pression de points, le cerveau semble revenir à sa méthode classique : il prend sa décision, puis il fait une petite pause pour réfléchir à sa propre certitude avant de répondre. C'est plus lent, mais plus prudent quand il n'y a pas de récompense immédiate.

💡 La leçon principale : Le cerveau est un caméléon

La conclusion de cette étude est très importante : Il n'existe pas une seule façon de faire de la confiance.

Notre cerveau est comme un caméléon ou un chef cuisinier adaptable.

• Si le contexte exige de la rapidité et de la stratégie (comme dans un jeu avec des points), il utilise la méthode intégrée (tout en même temps).
• Si le contexte est plus calme et sans enjeu, il utilise la méthode hiérarchique (décider, puis réfléchir).

Cela signifie que notre capacité à évaluer nos propres connaissances n'est pas figée. Elle s'adapte aux règles du jeu, aux récompenses et à la situation. Le cerveau ne se contente pas de "calculer" la vérité ; il choisit la meilleure stratégie pour la situation donnée.

En résumé : La confiance n'est pas un simple bouton qu'on appuie après avoir décidé. C'est une compétence flexible qui change de forme selon que l'on joue pour gagner des points ou simplement pour observer le monde.

Résumé technique

1. Problématique et Contexte

La capacité d'évaluer ses propres états de connaissance (métacognition) est souvent étudiée via des paradigmes où les participants prennent une décision puis rapportent leur confiance. La question centrale de l'article est de déterminer l'architecture computationnelle sous-jacente à ce rapport de confiance :

• Hypothèse Hiérarchique (Probabiliste) : La confiance est un processus métacognitif distinct et séquentiel qui survient après la décision. Elle est calculée en lisant les variables de décision internes (par exemple, la différence entre les accumulateurs d'évidence) pour estimer la probabilité que le choix soit correct.
• Hypothèse Intentionnelle (Intégrée/Plate) : La confiance et le choix émergent simultanément d'un seul processus d'accumulation d'évidence multidimensionnel. Dans cette vue, chaque combinaison « Choix–Niveau de Confiance » (ex: Gauche–Haute Confiance) est représentée par un accumulateur distinct qui court en parallèle. La décision est prise lorsque l'un de ces accumulateurs atteint un seuil.

L'étude vise à trancher entre ces deux architectures en les confrontant à des données comportementales issues de deux tâches perceptuelles aux structures de récompense différentes.

2. Méthodologie

Tâches Expérimentales

Les auteurs ont utilisé deux tâches de discrimination perceptuelle avec rapport simultané du choix et de la confiance :

1. Tâche de Discrimination de Mouvement (Random Dots Motion) :
   • Participants : 4 sujets.
   • Stimuli : Un champ de points en mouvement (gauche ou droite) avec une force de cohérence variable.
   • Réponse : Déplacement d'un joystick vers l'une des quatre cibles (Gauche/Droite × Haute/Basse Confiance).
   • Incitation : La confiance était incitée par une structure de récompense asymétrique (points positifs/négatifs variables selon la justesse et le niveau de confiance) avec un feedback trial-by-trial.
2. Tâche de Discrimination de Luminance :
   • Participants : 4 autres sujets.
   • Stimuli : Deux patches de luminance (composés de barres verticales) présentés latéralement. La difficulté était manipulée par la différence de luminance et du bruit gaussien ajouté aux barres.
   • Réponse : Rapport simultané via clavier (Choix + Confiance).
   • Incitation : Aucune incitation explicite, aucun feedback sur la justesse ou les points. Deux versions logiquement équivalentes mais instructionnelles différentes : « Choisir le plus brillant » et « Choisir le plus sombre ».

Modèles Computationnels

Les auteurs ont ajusté deux modèles formels aux données (choix, temps de réponse, confiance) en maximisant la vraisemblance conjointe :

• Modèle Hiérarchique (Balance of Evidence) : Deux accumulateurs (DDM corrélé) déterminent le choix. La confiance est ensuite déduite d'une carte de probabilité postérieure basée sur l'état de l'accumulateur perdant et le temps écoulé.
• Modèle Intégré (Flat/Race Model) : Basé sur le modèle RTCON (Ratcliff & Starns). Quatre processus d'accumulation (DDM) fonctionnent en parallèle, chacun correspondant à une combinaison spécifique (Gauche-Haute, Gauche-Basse, Droite-Haute, Droite-Basse). Les taux de dérive sont déterminés par le partitionnement de la distribution d'évidence latente.

Analyse Statistique

• Régression à effets mixtes pour caractériser les relations comportementales.
• Comparaison de modèles via les critères d'information d'Akaike (AIC) et de Bayes (BIC) pour évaluer l'ajustement tout en pénalisant la complexité.
• Analyse des noyaux psychophysiques (reverse correlation) pour étudier l'influence des fluctuations de luminance sur la confiance.

3. Résultats Clés

Comportemental

• Similarités générales : Dans les deux tâches, la précision augmente avec la force du stimulus, les temps de réponse (RT) diminuent avec la force du stimulus, et la confiance est plus élevée pour les décisions rapides et fortes.
• Différences critiques :
  1. Influence du stimulus sur les erreurs : Dans la tâche de mouvement (incitée), la confiance augmente avec la force du stimulus même pour les erreurs. Dans la tâche de luminance (non incitée), la confiance n'augmente pas avec la force du stimulus pour les erreurs.
  2. Fréquence de la haute confiance : La proportion de rapports de haute confiance est significativement plus élevée dans la tâche de mouvement (76 %) que dans la tâche de luminance (28 %), malgré une précision globale similaire.

Performance des Modèles

• Tâche de Mouvement (Incitée) : Le modèle intégré (intentionnel) offre un ajustement supérieur (AIC/BIC plus bas) pour la plupart des participants. Il capture correctement la forte corrélation positive entre la force du stimulus et la confiance, même sur les erreurs. Le modèle hiérarchique sous-estime la précision des réponses à faible confiance et échoue à reproduire la pente de confiance sur les erreurs.
• Tâche de Luminance (Non incitée) : Le modèle hiérarchique s'ajuste parfaitement aux données, capturant l'absence de corrélation entre force du stimulus et confiance sur les erreurs, ainsi que la faible fréquence globale de haute confiance.
  • Le modèle intégré échoue complètement ici : sa structure intrinsèque lie la fréquence d'un niveau de confiance à sa vitesse et sa précision. Pour générer des réponses à haute confiance rapides (comme observé), le modèle prédit inévitablement une fréquence élevée de ces réponses, ce qui contredit les données de la tâche de luminance où les réponses à haute confiance sont rares.

Biais de Preuve Positive (PEB)

L'analyse des noyaux psychophysiques dans la tâche de luminance révèle un biais de preuve positive instruction-dépendant : les fluctuations de luminance du patch sélectionné influencent davantage la confiance que celles du patch non sélectionné, et ce biais s'inverse selon l'instruction (« Choisir le brillant » vs « Choisir le sombre »). Bien que cela viole l'hypothèse de symétrie du modèle hiérarchique standard, la structure architecturale hiérarchique reste nécessaire pour expliquer les données, contrairement à l'approche intégrée.

4. Contributions et Signification

• Flexibilité Mécanistique : L'étude démontre que la confiance ne repose pas sur un mécanisme computationnel unique et universel. L'architecture du cerveau s'adapte aux exigences de la tâche.
  • En présence d'incitations fortes et de feedback (tâche de mouvement), le cerveau adopte une stratégie intégrée/intentionnelle, traitant le choix et la confiance comme une compétition directe entre actions motrices.
  • En l'absence d'incitations (tâche de luminance), le cerveau semble utiliser une architecture hiérarchique, où la confiance est une évaluation métacognitive secondaire.
• Implications Neurophysiologiques : Ces résultats soutiennent l'idée que les circuits neuronaux impliqués dans la préparation de l'action (comme le cortex pariétal latéral, LIP) peuvent encoder directement des combinaisons choix-confiance dans des tâches incitées, rendant le processus de décision « plat ». À l'inverse, dans d'autres contextes, la séparation hiérarchique pourrait prévaloir.
• Limites des Modèles Actuels : L'article souligne les limites des modèles purement intégrés (qui peinent à expliquer la rareté de la haute confiance sans sacrifier la vitesse) et des modèles hiérarchiques standards (qui peinent à capturer les biais instructionnels complexes). Il suggère que la computation de la confiance est un processus dynamique, dépendant du contexte (feedback, récompense, type de stimulus).

En conclusion, cette recherche remet en question l'idée d'un mécanisme métacognitif fixe, proposant plutôt que le cerveau peut transformer une évaluation métacognitive de second ordre en une compétition de premier ordre entre actions, selon les contingences de récompense et la structure de la tâche.