cour 12.2: Mémoire sémantique Concepts et catégories Ressemblance familiale Approche prototypiste Approche exemplariste Flashcards
Quel est le problème principal dans l’approche classique?
Problème principal: manque de propriétés nécessaires
et suffisantes
bcp de catégories ont des membres qui ne partagent pas bcp de propriétés communes, comme des ustensiles. Les définitions dans les dictionnaires ne respectent pas l’approche classique, c.a.d les critères strictes d’individualité nécessaire, les caractéristiques de catégories conjointement suffisantes, et parfaitement inclusives et exclusives. Concept disjonctif (un “ou” entre les caractéristiques dans une définition) ne fonctionne pas non plus avec approche classique
Explique l’approche générale de Wittgenstein qui remplace approche classique
Ne parle pas de propriété unique commune ni de propriétés
nécessaires. Certains objets se classent par un air de famille (catégorie)
Ressemblance familiale
est basée sur le nombre
de propriétés partagées
par les membres d’une
catégori
Explique l’expérience de Rosch & Mervis (1975): “Family resemblances:
studies in the internal structure of categories” sur la ressemblance familiale
Rationnel: Items les plus typiques d’une catégorie
sont ceux qui partagent le plus grand nombre de
caractéristiques (qui ont le plus grand degré de
ressemblance familiale) avec les autres membres de la catégorie
2 phases
1. jugement de typicité: noms de catégorie et participants listes propriétés pour chaque catégorie
2. à partir de résultats calcul de score de ressemblance familiale
Explique la phase 2: Liste de propriétés de l’expérience de Rosch & Mervis (1975): “Family resemblances:
studies in the internal structure of categories” sur la ressemblance familiale
Tâche: Lister toutes les propriétés connues pour
différents exemplaires
Propriétés nécessaires ou non-nécessaires
(caractéristiques)
on doit nommer propriétés absolument necessaire pr caractériser qqch vs propriétés non obligatoire et non necessaire.
Comment calcule-t-on le score de ressemblance familiale? (RF)
Nombre d’autres items pour lesquels une propriété
spécifique est partagée
Somme pour toutes propriétés de l’item étudié
ex, chat: p1(4) = pour la propriété 1, 4 autres catégorie (ici, animal) partagent cette caractéristique. puis, somme des propriétés partagées = 14 = score de ressemblance familiale. En rouge = items quon pense en premier. Lien entre typicité et score de RF,
Explique les résultats de l’expérience de Rosch & Mervis (1975): “Family resemblances:
studies in the internal structure of categories” sur la ressemblance familiale
Haute corrélation entre jugements de typicité et
mesure de ressemblance familiale pour toutes catégories
Item plus typique partage plus de propriétés avec
autre membres de catégorie (et moins avec membres d’autres catégories)
Interprétation:
Ressemblances familiales utilisées dans le processus de catégorisation
On utilise propriétés “non-nécessaires” ou caractéristiques
Lorsqu’un item montre le plus grand score RF, on
dit que c’est le prototype de la catégorie
on utilise des propriétés non necessaire, qui ne sont pas obligatoires pour caractériser qqch, mais qu’on voit très souvent par rapport à cela. Si cette caratéristique n’apparait pas, ne veut pas dire que ce n’est pas membre de la catégorie
Qu’est-ce que la ressemblance familiale?
Similarité détermine catégorisation
Si l’objet à classer possède assez de propriétés en
commun avec une représentation mentale donnée (i.e., il est assez similaire), alors il est classé
comme un membre de cette catégorie
Quels sont les 2 modèles basés sur la similarité?
Deux modèles basés sur la similarité
Approche prototypiste
Approche exemplariste
Explique l’approche prototypique
Les concepts sont des prototypes: Représentation abstraite et sommaire dérivée en “moyennant” tous les exemplaires rencontrés d’une catégorie donnée (puisque c’est une moyenne, il se peut que ce prototype n’existe pas dans la vrai vie: c’est souvent un modèle artificiel)
Règle de classification: Si objet possède assez de
propriétés en commun avec (ou est “assez similaire
au) prototype, alors il est classé comme un
membre de cette catégorie
Le prototype permet la classification de membres
de la famille jamais vus auparavant… et l’exclusion
des non-membres.
Explique ce que Rosch & Mervis (1975) ont souligné sur le besoins de catégorie artificielle, pourquoi?
Beaucoup de variables des catégories naturelles ne
peuvent être contrôlées
Comment les catégories sont apprises
Fréquence d’usage des exemplaires et catégories
Familiarité
Facteurs culturels, etc.
En construisant les catégories selon certaines
variables, on peut contrôler tous les facteurs, isoler
des effets spécifiques et faire des prédictions
Explique l’expérience de Posner & Keele (1968):
“On the genesis of abstract ideas” pour tester l’approche prototypiste
Tâche: Induction catégorielle
Matériel: Patrons de points aléatoires à partir duquel des distorsions du prototype initial peuvent être créées.
induction = apprentissage par exposition à différents exemplaires.
induction catégorielle = on montre 1 exemplaire à la fois et il faut le classer dans la bonne catégorie. Avec rétroaction, on finit par apprendre quel exemplaire va dans quel bonne catégorie.
participants doivent classer 12 exemplaires dans 3 catégories.
On s’interesse au taux d’exactitude et temps que ca prend pour les classer
Comment créé-t-on des exemplaires (distorsions)?
Technique: Probabilité de
déplacement point.
pour creer distorsion, on deplace les points de son emplacement originale. Faible = déplacé un peu / fortes = déplacé plus loins.
Explique la phase d’induction dans l’expérience de Posner & Keele (1968)
gens doivent apprendre à classer exemplaires dans leur catégorie AVEC rétroaction. au debut de la tâche, c’est du hasard, les gens n’ont aucune de ce qui va dans quelle catégorie.
Les prototype qui servent à générer les distorsions forte ne sont jamais présentés à l’apprentissage. Donc on présente des distorsion, mais pas le modèle duquel elles sont générées.
- point de fixation
- distorsion à partir de prototype à l’aide d’un nuage de point
- on appuie sur une catégorie
- rétroaction pour savoir si réponse ok.
Explique la phase de test dans l’expérience de Posner & Keele (1968)
Une fois les catégories finie d’apprendre, phase de test :
classer anciens + nouveaux exemplaires dans la bonne catégorie SANS rétroaction
- stimulis apprentissage:
- on présente le prototype de chaque catégorie qui sert a créer les distorsions (jamais vu pendant apprentissage)
- nouvelles distorsions fortes
- nouvelles distorsions faibles
dans l’expérience de Posner & Keele (1968), s’il y a seulement un effet de pratique, à quels résultats devrions-nous nous attendre?
Taux d’exactitude: Fortes ancienne > Prototypes = Faibles Nouvelle = Fortes
TR: Fortes ancienne < Prototypes = Faibles Nouvelle = Fortes
Seuls les anciens items
ont été appris. Nouveaux items: jamais vues. Tous les nouveaux items classés de façon moins exacte (au hasard) et plus lentement que les anciens items
Pas de raison de croire
qu’on trouvera une
différence entre les
différents types de
nouveaux items
dans l’expérience de Posner & Keele (1968), s’il y a un effet de prototype, à quels résultats devrions-nous nous attendre?
Taux d’exactitude: Fortes ancienne = Prototypes > Faibles Nouvelle > Fortes
TR: aux d’exactitude: Fortes ancienne = Prototypes < Faibles Nouvelle < Fortes
Prototypes jamais vus
seront classés avec
exactitude et rapidement
Pairage avec la bonne
représentation mentale
pour chaque catégorie
Autres nouveaux items:
performance dépendra
de la similarité aux
prototypes acquis
Explique les résultats de l’expérience de Posner & Keele (1968): “On the genesis of abstract ideas” pour tester l’approche prototypiste
effet de prototype
Anciens exemplaires
classés avec exactitude et
rapidité tel que prédit
MAIS les prototypes
catégoriels aussi, même si
jamais vus à l’apprentissage
Performance pour autres
nouvelles distorsions est
une fonction de leur
similarité au prototype
catégoriel
Plus similaire =
plus grande exactitude/
TR plus bas
effet de prototype: on a fait une moyenne, malgré le fait qu’ils ne sont pas présentés à l’apprentissage. On devrait classer prototype presque aussi rapidement que les distorsions déjà vu, comme si on le reconnaissait car on l’a créé de facon interne. Plus la distorsion ressemble au prototype mieux on devrait pouvoir la classer rapidement. Inverse pour distorsion forte; TR devrait augmenter et exactitude descendre
Explique l’expérience de Posner & Keele (1970): “Retention of abstract ideas” sur le testage de l’approche prototypique
même procédure que l’expérience précédente (induction catégorielle): distorsions créées avec nuage de point mais cette fois 4 catégories.
Mêmes mesures (TR + exactitude) + variable supp: test immédiat vs 1 semaine plus tard
Explique les résultats de l’expérience de Posner & Keele (1970): “Retention of abstract ideas” sur le testage de l’approche prototypique
Avantage pour anciens items disparait avec temps
Performance pour prototypes élevée et stable
même après une semaine
Performance pour nouveaux exemplaires prédite par similarité aux prototypes après une semaine
pas bcp d’oublie par rapport au prototype. Même pattern de résultats après 1 semaine. Effet de prototype durable
Que peut-on interpréter des expérience de Posner & Keele?
les prototypes, i.e. des
moyennes des exemplaires vus pendant
l’apprentissage, sont développés comme
représentations catégorielles (ou concepts)
Ces représentations sont durables
Parce qu’on a utilisé des stimuli et catégories
artificielles, pas de variables externes qui peuvent
expliquer les résultats
Soutien pour l’approche prototypiste
Explique l’approche exemplariste
Les concepts sont l’ensemble ou le sous-ensemble de tous les exemplaires rencontrés précédemment
Pas de représentations sommaires (règles/proto)
Si un objet à classer est assez similaire à des
exemplaires mémorisés, alors il est classé comme
membre de la catégorie de ces exemplaires
Explique l’expérience de Medin & Schaffer (1978):
“Context Theory of Classification Learning” pour tester la théorie exemplariste.
même tâche d’induction catégorielle avec rétroaction
comment différents exemplaires peuvent être générés?
Les objets comme un carré rouge ou cercle bleu sont classés par propriétés binaire (2 valeurs possibles / propriété dans un tableau, numérisé en 1 ou 0 à partir de caractéristiques qualitative.)
Ceci donne un code binaire, duquel on peut modifier une partie ou tous les chiffres pour créer des exemplaires
Ex: cercle devient 1; carré = 0. On fait ça pour toutes les propriétés. On (transforme l’info en binaire; 1 ou 0). Cela crée un code binaire, qui représente l’item. Ex: stimulus 1 s’appelle: “1110”
à l’inverse, un prototype devrait être composé de la valeur la plus fréquente pour ch. propriété (moyenne):
Dans l’expérience de Medin & Schaffer (1978):
“Context Theory of Classification Learning” pour tester la théorie exemplariste, à quels résultats devrions-nous nous attendre dépendamment si cela soutient la théorie des prototype vs exemplaires.
Si prototypes sont acquis, alors exemplaires hautement similaires au prototype devraient être appris plus facilement (taux d’erreur plus bas)
* Si l’approche prototypiste est correcte, exemplaire 1 devrait être appris plus facilement qu’exemplaire 2 parce qu’il possède plus de propriétés en commun avec le prototype
Si seulement les exemplaires sont mémorisés, alors exemplaires hautement similaires à d’autres
exemplaires dans la même catégorie, et dissimilaires aux exemplaires de l’autre catégorie, devraient être appris plus facilement
* Si l’approche exemplariste est correcte, exemplaire 2 devrait être appris plus facilement qu’exemplaire 1. Exemplaire 2 est hautement similaire à deux autres membres de sa propre catégorie…
hautement similaire = partager 3 des 4 caractéristique avec un autre exemplaire. Comparaison avec TOUS les exemplaires de SA catégorie, mais pas de l’autre catégorie
Explique les résultats de l’expérience de Medin & Schaffer (1978):
“Context Theory of Classification Learning” pour tester la théorie exemplariste
Exemplaire 2 plus facile à apprendre qu’Exemplaire 1
Plus haut taux d’exactitude tout au long de
l’apprentissage
Medin et Schaffer furent les premiers à montrer des
preuves soutenant un modèle exemplariste au
détriment d’un modèle prototypiste
peut être qu’on utiliserait les prototype pour classer dans de grandes catégorie pour gagner du temps, mais les exemplaires pour classer dans de petites catégories… On commencerait par apprendre des prototype pour se former nos idées de catégories, puis, au fur et à mesure qu’on apprend les exceptions, transfert vers modèle exemplariste.
Système prototypique ferait partie de la mémoire implicit, il serait protégé chez les amnésiques
Explique l’expérience de Brady et al. (2008):
“Visual long-term memory has a massive storage capacity for object details” sur la MLT visuelle
Étude: Regarder des images, noter les doublons
10 blocs de 20 minutes pour l’étude
2896 images, présentées durant 3 secondes chacune
Test: Reconnaissance (2 images côte à côte). u test (tâche 2). on doit déterminer laquelle a été vue pendant la phase d’étude.
3 conditions:
1. condition catégorie = on montre 2 objets de catégories compklètement différentes.
- condition exemplaire = on montre 2 exemplaires de la même catégorie.
condition état = 2 objets - pareils mais pas dans le même etat. Ex: une armoire avec porte ouverte vs porte fermée
Explique les résultats de l’expérience de Brady et al. (2008):”Visual long-term memory has a massive storage capacity for object details” sur la MLT visuelle dans la tâche de détection des doublons
si on voit une image déjà vue pendant la tâche, on doit appuyer sur un bouton pour signaler un doublon. Même si 1000 images entre les présentation, on détecte le doublon 4x/5! MLT visuelle très précise et qui retient bcp de détails par rapport aux objets.
Explique les résultats de l’expérience de Brady et al. (2008):”Visual long-term memory has a massive storage capacity for object details” sur la MLT visuelle
taux d’exactitude: items de categories differentes > exemplaires de memes categories > etats differents
quand on présente 2 items de catégories différentes, 93% du temps, participants trouvent image présenté pendant phase d’étude
2 items de meme catégorie (exemplaires): exactitude 88%
états: exactitude 87% du temps. De plus, parfois on présentait pas juste des objets mais des scènes. Ex: qq différence de degré dans une photo
Notre cerveau enregistre tout ce qu’on voit!
Le niveau de détail de nos souvenirs d’exemplaires
est excessivement précis
Capacité minimale du cerveau calculée:
228 000 représentations distinctes
Soutien solide pour modèles exemplaristes
Explique les arguments théoriques contre les
modèles exemplaristes de Murphy.
Murphy (2016):
Is there an exemplar theory of concepts?
Modèles exemplaristes font du sens dans le cadre
d’expériences contrôlées avec des petites catégories
mal définies, mais dans la vraie vie? Certains exemplaires sont plus importants que d’autres
On ne peut pas représenter une structure hiérarchique
(Rosch) avec un modèle exemplariste (mais on peut
avec un modèle prototypiste)
N’explique pas l’avantage du niveau de base
Ne tient pas compte des effets de contexte, ou des
croyances à propos d’un domaine
On ne peut pas généraliser à partir d’un exemplaire
N’explique pas le développement conceptuel
Fait du sens avec petites catégorie mais se demande si on ferait ca avec grosses catégories à longueur de journées dans la vrai vie. Aussi, l’approche ne mentionne pas une hierarchie alors que clairement, des exemplaires sont plus importants que d’autres car on juge subjectivement notre monde avec nos expérience personnelles.