The brain prioritizes information that strengthens the structure of knowledge

Résumé technique : Le cerveau donne la priorité aux informations qui renforcent la structure de la connaissance

Énoncé du problème
La cognition humaine atteint une compréhension et une innovation remarquables malgré de sévères contraintes de temps, de ressources et de capacité de calcul. Bien que les humains s'appuient sur des modèles internes du monde pour prédire les résultats, ils ne peuvent pas traiter toute l'information disponible de manière indiscriminée. Le problème central abordé consiste à identifier les principes stratégiques par lesquels le cerveau hiérarchise les nouveaux intrants sémantiques. Plus précisément, les auteurs cherchent à savoir si le cerveau sélectionne préférentiellement l'information qui optimise l'organisation structurelle des connaissances existantes, en émettant l'hypothèse que l'information renforçant une topologie de réseau de type « petit monde » (small-world) est intrinsèquement valorisée.

Méthodologie
L'étude a employé une approche multi-expérimentale combinant la psychologie comportementale, l'analyse de modèles de langage de grande taille (LLM) et l'imagerie par résonance magnétique fonctionnelle (IRMf).

• Construction du réseau de connaissances : Les chercheurs ont construit un réseau de connaissances proxy composé de 500 concepts (169 issus des stimuli expérimentaux et 331 échantillonnés à partir de Wikipédia sur la base de la saillance TF-IDF). Les concepts ont été intégrés dans un espace sémantique de haute dimension à l'aide du modèle text-embedding-ada-002 d'OpenAI (représentant des entrées Wikipedia complètes plutôt que des mots isolés). Un graphe non orienté et pondéré a été généré où des arêtes existaient entre les concepts si leur similitude cosinus dépassait le 80e percentile.
• Calcul de l'indice de petit monde (SWI) : Le SWI a été calculé comme le rapport entre le coefficient de regroupement ($C$) du réseau et sa longueur de chemin la plus courte moyenne ($L$), normalisé par rapport à des graphes aléatoires de taille et de densité équivalentes ($SWI = (C/C_{random}) / (L/L_{random})$).
• Manipulation des stimuli : Pour chacune des 100 phrases factuelles (ex. : « Le pain était autrefois utilisé comme monnaie »), les chercheurs ont simulé l'intégration de nouvelles informations en renforçant le poids de l'arête entre les deux concepts clés de la phrase. La variation de l'Indice de Petit Monde ($\Delta SWI$) a été calculée comme la différence entre l'état du réseau avant et après ce renforcement.
• Expérience 1 (Comportementale) : 93 participants ont évalué 100 faits selon des critères de « plaisir » (liking), d'« envie » (wanting - intérêt pour des faits connexes) et de « surprise ». Des modèles mixtes linéaires ont testé l'association entre ces évaluations et le $\Delta SWI$, en contrôlant la similitude des concepts et les variables démographiques.
• Validation par LLM : GPT-4o d'OpenAI a été sollicité pour évaluer les mêmes 100 faits sur le plaisir et l'envie à travers 50 exécutions indépendantes afin de déterminer si le texte généré par l'humain reflète ce schéma de préférence.
• Expérience 2 (IRMf) : 33 participants ont subi une IRMf en visionnant les 100 faits. Des analyses paramétriques ont modélisé les réponses BOLD en fonction du $\Delta SWI$. Les régions d'intérêt (ROI) ont été définies via des méta-analyses de Neurosynth pour le « langage » (STG bilatéral, IFG gauche) et la « récompense » (vmPFC). Des modèles linéaires généraux (GLM) distincts ont isolé les effets des changements de regroupement ($\Delta C$) et de la longueur de chemin ($\Delta L$).
• Expérience 3 (Replication) : Un ensemble de données indépendant (31 participants) impliquant 45 nouvelles phrases à deux concepts a été analysé. Cette réplication a utilisé des localisateurs de langage fonctionnels spécifiques à chaque participant plutôt que des masques méta-analytiques pour confirmer les résultats neuraux.

Résultats clés

• Préférence comportementale : Les participants ont nettement préféré les faits qui augmentaient la configuration de petit monde du réseau de connaissances. Un $\Delta SWI$ plus élevé prédisait un plus grand « plaisir » ($\beta = 0,052, p = ,0002$) et une plus grande « envie » ($\beta = 0,031, p = ,0025$). Cet effet persistait après contrôle des évaluations de surprise et de la similitude cosinus entre les concepts. Les comparaisons de modèles ont indiqué que la métrique composite $\Delta SWI$ expliquait mieux la préférence que le $\Delta C$ ou le $\Delta L$ seuls.
• Alignement des LLM : GPT-4o a présenté le même schéma de préférence, le $\Delta SWI$ prédisant de manière significative les évaluations de plaisir et d'envie, suggérant que cette préférence est ancrée dans le texte généré par l'humain.
• Priorisation neurale (Système du langage) : Le réseau du langage (STG bilatéral et IFG gauche) a montré une activité BOLD accrue proportionnellement au $\Delta SWI$. Cette réponse était pilotée à la fois par l'augmentation du regroupement et la réduction de la longueur de chemin, le $\Delta SWI$ composite montrant un effet plus fort que chacun de ses composants pris isolément.
• Priorisation neurale (Système de l'évaluation) : Le cortex préfrontal ventromédian (vmPFC), un nœud central du système d'évaluation du cerveau, a montré une activation accrue pour les faits présentant un $\Delta SWI$ élevé. Cependant, contrairement au réseau du langage, la réponse du vmPFC était principalement pilotée par la réduction de la longueur de chemin moyenne ($\Delta L$), et non par le regroupement ($\Delta C$).
• Résultats à l'échelle du cerveau entier : Des analyses exploratoires ont révélé une activation supplémentaire dans le réseau de demande multiple médial (dmPFC), les régions du langage latéralisées à gauche, ainsi que les zones cérébelleuses et temporales ventrales bilatérales associées à l'intégration sémantique.
• Réplication : L'expérience 3 a réussi à répliquer la préférence comportementale pour le $\Delta SWI$ et la priorisation neurale tant dans le réseau du langage que dans le vmPFC, en utilisant un nouvel ensemble de stimuli et des ROI définies individuellement.

Signification et affirmations
Les auteurs affirment avoir identifié un principe fondamental de hiérarchisation de l'information : le cerveau attribue de la valeur et des ressources aux connaissances en fonction de leur capacité à améliorer l'organisation structurelle de ce qui est déjà connu. Plus précisément, le cerveau favorise l'information qui renforce la topologie de petit monde des réseaux sémantiques — une structure associée à l'efficacité, la créativité et la compréhension.

L'article pose que ce mécanisme peut expliquer comment les humains apprennent efficacement à partir de données limitées. En s'engageant préférentiellement avec l'information qui optimise le compromis entre la cohérence locale (regroupement) et l'intégration globale (longueurs de chemin courtes), le cerveau peut construire des modèles mentaux puissants sans traiter toutes les données disponibles. Les résultats suggèrent que la « monnaie commune neurale » pour la valeur s'étend à l'utilité structurelle de l'information, et non seulement aux récompenses primaires ou secondaires. De plus, l'observation selon laquelle les LLM reflètent cette préférence implique que ce principe d'optimisation est profondément ancré dans la représentation de la connaissance humaine. Les auteurs concluent que le cerveau ne cherche pas simplement à en savoir plus, mais cherche à savoir ce qui rend les connaissances existantes plus utiles et mieux structurées.