Statistical inference for categorization models and presentation order
Inférence statistique pour les modèles de catégorisation et ordre de présentation
Résumé
This thesis is devoted to the study of categorization, which is the cognitive
ability to organize entities into groups. In particular, we focus on presentation
order and modeling. The objective is threefold: to investigate the influence of
presentation order on category learning; to provide a robust statistical method
to compare categorization models; and to explore whether categorization
models are sensitive to specific types of order.
Firstly, we report several experiments exploring the effects of two types of
order on learning speed. In our experiments, participants were taught 4-
feature category structures using either a rule-based presentation order (in
which exemplars are presented following a ``principal rule plus exceptions''
structure) or a similarity-based presentation order (which maximizes the
similarity between contiguous exemplars). We find that the rule-based order
facilitates learning when the across-blocks manipulation was constant and
categories were either blocked or randomly alternated.
Secondly, we describe the selected categorization models and introduce a new
categorization model that integrates the order in which stimuli are presented.
Among transfer models (which are adapted to reproduce participants'
performance during the transfer phase), we describe the Generalized Context
Model (GCM), one of the most well-known categorization model; the
Generalized Context Model equipped with a Lag mechanism (GCM-Lag), an
extension of the GCM integrating a memory decay mechanism; and the new
Ordinal General Context Model (OGCM), an extension of the GCM
incorporating temporal information. Among learning models (which can
reproduce participants' performance during both the learning and transfer
phases), we describe ALCOVE, which
integrates the logic underlying the GCM in a neural network structure, and
Component-Cue, which incorporates an induction strategy in a neural network
structure.
Thirdly, we develop a robust statistical method to compare categorization
models and apply it separately to both transfer and learning models. We find
that the transfer model that best fits our dataset is the version of the OGCM
that takes into account the most frequent presentation order received during
the learning phase. This result indicates that the information provided by the
ordinal dimension is relevant for the categorization task. We also find that
Component-Cue best captures the generalization patterns, while ALCOVE best
captures the learning dynamics. Finally, we investigate whether the
performance of the selected learning models is related to the type of order in
which stimuli are presented. We find that both learning models are sensitive to presentation order, in particular the generalization patterns of Component-Cue are consistent with a rule-based retrieval.
Finally, we describe how to apply transfer models to learning data using the
segmentation and the segmentation/clustering. The application of these two
techniques to our dataset shows that there are two groups of participants:
high-speed and low-speed participants. Moreover, using the
segmentation/clustering method, we find a relation between participants'
learning speed and type of order. In particular, participants that showed a
high-speed learning in the early stage of the categorization task mostly
received a rule-based order.
Cette thèse se consacre à l'étude de la catégorisation, qui est la capacité
cognitive de placer des objets dans des groupes. Plus particulièrement, nous
nous intéressons à l'ordre de présentation et à la modélisation. L'objectif de
cette thèse est triple : étudier l'influence de l'ordre de présentation dans
l'apprentissage des catégories ; fournir une méthode statistique robuste pour
la comparaison des modèles de catégorisation ; et déterminer si les modèles de
catégorisation sont sensible à différent types d'ordre.
Dans un premier temps, nous décrivons les expériences effectuées dont le but
est d'explorer l'influence de deux types d'ordre sur la vitesse d'apprentissage.
Dans ces expériences, les participants devaient apprendre une règle de
catégorisation concernant des objets quadridimensionnels. Les stimuli étaient
présenté en utilisant soit un ordre par règle, qui présente les objets de la règle
principale en premier, soit un ordre par similarité, qui maximise la similarité
entre objets consécutifs. Nous trouvons que l'ordre par règle facilite l'apprentissage quand les stimuli sont présentés dans le même ordre d'un bloc à un autre et quand les catégories sont bloquées ou présentées de façon aléatoire.
Dans un deuxième temps, nous décrivons les modèles de catégorisation
sélectionnés et introduisons un nouveau modèle de catégorisation qui intègre
l'ordre de présentation. Parmi les modèle de transfert, qui ne sont adaptés qu'à
reproduire la phase de transfert, nous décrivons le Generalized Context Model
(GCM), qui est un des modèles de catégorisation les plus connus, le Generalized Context Model équipé avec un mécanisme de délai (GCM-Lag), qui
est une extension du GCM qui prend en compte un mécanisme de perte de
mémoire, et le nouveau Ordinal General Context Model (OGCM), qui est une
extension du GCM qui prend en compte l'ordre de présentation des stimuli.
Parmi les modèles d'apprentissage, qui reproduisent aussi bien la phase
d'apprentissage que celle de transfert, nous décrivons ALCOVE, qui intègre la
logique du GCM dans un réseau de neurones, et Component-Cue, qui intègre
une stratégie par induction dans un réseau de neurones.
Dans un troisième temps, nous développons une méthode robuste d'inférence
statistique pour comparer les modèles de catégorisation. Cette méthode est
séparément appliquée aux modèles de transfert et d'apprentissage. Nous
trouvons que le modèle de transfert qui reproduit au mieux notre jeu de
données est la version d'OGCM qui prend en considération l'ordre de
présentation le plus fréquent pendant la phase d'apprentissage. Ce résultat
montre que l'information fournie par la composante temporelle est importante
pour classifier les objets. De plus nous trouvons que Component-Cue capture
mieux les motifs de généralisation et ALCOVE capture mieux la dynamique
d'apprentissage. Enfin, nous explorons la possibilité que les performances des
modèles d'apprentissage soient dépendantes de l'ordre de présentation. Nous
montrons que les deux modèles d'apprentissage sélectionnés sont sensible à
l'ordre et que les motifs de généralisation de Component-Cue sont compatible
avec un apprentissage par règle.
Pour terminer, nous décrivons comment appliquer des modèles de transfert à
des données d'apprentissage en utilisant la segmentation et la
segmentation/clustering. L'application de ces deux techniques à notre jeu de
données montre la présence de deux groupes d'individus : les individus rapides
et les individus lents. De plus, en utilisant la segmentation/clustering, nous
trouvons une relations entre la vitesse d'apprentissage des individus et l'ordre
de présentation. In particulier, les individus qui ont montré une vitesse
d'apprentissage élevée au début de l'expérience avait reçu pour la plupart un
ordre par règle.
Origine : Fichiers produits par l'(les) auteur(s)