Human sensitivity to statistical regularities at different scales in auditory sequences : evidence from electrophysiology and behavior in adults and neonates - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Human sensitivity to statistical regularities at different scales in auditory sequences : evidence from electrophysiology and behavior in adults and neonates

Perception humaine des régularités statistiques à différentes échelles dans les séquences auditives : études comportementales et en électrophysiologie chez l’adulte et le nouveau-né

Résumé

How does a brain manage to extract information from the environment and discover relevant structures in it, all the more so when it is immature and with little experience, as a newborn baby's brain can be? This question of how a newborn discovers the structure of a sound sequence, the complexity of the structures it can extract, and the brain mechanisms at its disposal to do so, motivated our work. We studied the learning abilities of sleeping newborns and compared their performance with that of awake adults. Based on a set of results, we argue that a large number of sequential structures covering different scales of complexity could be handled by a single brain computation based on highly automatic associative learning principles. The framework we propose here brings together results hitherto considered as separate competences: on the one hand "statistical learning", and on the other "network learning". To test the properties and limits of this framework, we present here a series of experiments on the different scales of sequential learning in a variety of populations, from comatose patients to sleeping neonates to awake adults. We used behavioral measures, modeling approaches and neuroimaging techniques such as electroencephalography (EEG) and magnetoencephalography. First, using EEG to assess the learning abilities of non-responding populations, we studied sleeping neonates and patients suffering from disorders of consciousness in their abilities to perceive simple associations between consecutive items in a continuous speech sequence. This ability was hypothesized as a major mechanism enabling babies to find words in a continuous stream of speech. Indeed, awake adults, sleeping neonates and even some comatose patients showed comparable signs of learning these local dependencies, arguing for a highly automatic process that does not require explicit attention and is already functional from birth on. Furthermore, awake adults and sleeping neonates revealed a similar word-length limitations, demonstrating that despite the immaturity of the infant brain, the statistical learning capabilities and limitations in this context are very similar to those of a mature adult brain. Secondly, we proposed a new paradigm, the sparse community paradigm, to simultaneously study statistical and network learnings within a single sequence. Adult behavioral responses showed that humans parsimoniously completed the representation of the network despite incomplete evidence. Modelling approaches enabled us to hypothesize that local and high-order sequential learning might be supported by a single cognitive computation rather than by separated processes: statistical learning for local transitions and network learning for high order structure. The use of MEG on a similar paradigm revealed neural correlates compatible with this hypothesis, showing that local statistical learning and network learning could be supported by the same associative learning implementation. Finally, we reviewed the literature on statistical and network learning and proposed a new framework unifying these different learning scales under a common principle. We show that most of the results previously reported in the literature and explained with a variety of models, might rely on a single associative model. This hypothesis provides a more parsimonious explanation of how humans statistically extract a structure and makes a number of new predictions that have yet to be tested.
Comment un cerveau parvient-il à extraire des informations de l'environnement et à y découvrir des structures pertinentes, a fortiori lorsqu'il est immature et peu expérimenté, comme peut l'être le cerveau d'un nouveau-né ? La question de savoir comment un nouveau-né découvre la structure de la parole, la complexité des structures qu'il peut extraire et les mécanismes cérébraux dont il dispose pour le faire, a motivé notre travail. Nous avons étudié les capacités d'apprentissage de nouveau-nés endormis et comparé leurs performances à celles d'adultes éveillés. Sur la base d'un ensemble de résultats, nous soutenons qu'un grand nombre de structures séquentielles couvrant différentes échelles de complexité pourraient être traitées par un seul calcul cérébral basé sur le principe de l’apprentissage associatif. Le cadre que nous proposons ici rassemble des résultats jusqu'à présent considérés comme des compétences distinctes : d'une part "l'apprentissage statistique" et d'autre part "l'apprentissage de réseaux". Pour tester les propriétés et les limites de ce cadre, nous présentons une série d'expériences d’apprentissage séquentiel à différentes échelles et dans différentes populations : des patients comateux aux adultes éveillés en passant par les nouveau-nés endormis. Nous avons utilisé des mesures comportementales, des approches de modélisation et des techniques de neuro-imagerie telles que l'électroencéphalographie (EEG) et la magnétoencéphalographie. Tout d'abord, en utilisant l'EEG pour évaluer l'apprentissage de populations non verbales, nous avons étudié l’aptitude de nouveau-nés endormis et de patients dans le coma à percevoir des associations simples entre des syllabes consécutives dans une séquence de parole continue. L’hypothèse a été faite que cette capacité est un mécanisme majeur permettant aux bébés d’extraire les mots d’un flot de parole continu. En effet, les adultes éveillés, les nouveau-nés endormis et même certains patients dans le coma montrent des signes comparables d'apprentissage de ces dépendances locales, ce qui plaide en faveur d'un processus hautement automatique ne nécessitant pas d'attention explicite, et qui serait fonctionnel dès la naissance. En outre, les adultes éveillés et les nouveau-nés endormis ont montré des limitations similaires quant à la longueur des mots possibles à extraire, ce qui démontre que malgré l'immaturité du cerveau du nourrisson, les propriétés et les limitations de l'apprentissage statistique dans ce contexte sont très similaires à celles d'un cerveau adulte mature. Deuxièmement, nous avons proposé un nouveau dessin expérimental, le paradigme de ‘communauté incomplète’, pour étudier simultanément les apprentissages dits statistiques et ceux de graphe dans une unique séquence. Les réponses comportementales d’adultes ont montré que les humains complétaient leur représentation des structures, malgré une présentation incomplète. Des approches de modélisation nous ont permis d'émettre l'hypothèse que ces différents ordres d’apprentissage des séquences relèveraient en fait d’un seul et même processus cognitif. L'exploration MEG sur ce paradigme a révélé des corrélats neuronaux compatibles avec cette hypothèse, montrant que l'apprentissage statistique local et l'apprentissage de graphes pouvaient être sous-tendus par un unique mécanisme d’apprentissage associatif. Enfin, nous avons passé en revue la littérature sur l'apprentissage statistique et l'apprentissage de réseaux, et proposé un nouveau cadre unifiant ces différentes échelles d'apprentissage sous un principe commun. Nous avons montré que la plupart des résultats précédemment rapportés dans la littérature, avec une variété de modèles à considérer, peuvent correctement s’expliquer par un seul modèle d'apprentissage associatif. Cette hypothèse fournit une explication plus parcimonieuse des mécanismes permettant aux humains d’extraire une structure statistique et fait de nombreuses nouvelles prédictions.
Fichier principal
Vignette du fichier
BENJAMIN_Lucas_these_2023.pdf (11.88 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04445078 , version 1 (07-02-2024)

Identifiants

  • HAL Id : tel-04445078 , version 1

Citer

Lucas Benjamin. Human sensitivity to statistical regularities at different scales in auditory sequences : evidence from electrophysiology and behavior in adults and neonates. Cognitive Sciences. Sorbonne Université, 2023. English. ⟨NNT : 2023SORUS483⟩. ⟨tel-04445078⟩
52 Consultations
11 Téléchargements

Partager

Gmail Facebook X LinkedIn More