cours 12.2 Flashcards
Ressemblance familiale c’est quoi
❖ Tous les « frères » se
ressemblent beaucoup
❖ Pas de caractéristique
unique commune
❖ Pas de caractéristiques
nécessaires
❖ Pourtant, on les classerait
dans la même famille
(catégorie)
❖ Ressemblance familiale
est basée sur le nombre
de caractéristiques
partagées par les
membres d’une catégorie
y’a pas une carct. qui leur est propre à chacun
→ donc pas de carct. nécessaire pcq y’a pas une carct. qui est vue chez chacun
mais on peut regarder des choses qui sont présentes plus fréquemment
DONC
❖ Similarité détermine catégorisation
❖ Si l’objet à classer possède assez de caractéristiques en commun avec une
représentation mentale donnée (i.e., il est assez
similaire), alors il est classé comme un membre de
cette catégorie
Ressemblance familiale vs typicité EXP
❖ Rosch & Mervis (1975): Family resemblances:
studies in the internal structure of categories
❖ But: Montrer la validité de l’approche des
ressemblances familiales
❖ Prédiction: Corrélation entre jugements de typicité
et degré de resemblance familiale
❖ Tâches
❖ Phase 1: Jugements de typicité (1 = Bas; 7 = Haut)
❖ Phase 2: Lister caractéristiques
(Scores de ressemblance familiale)
PHASE 2
❖ Tâche: Lister toutes les caractéristiques connues
pour différents exemplaires
❖ Caractéristiques nécessaires ou non-nécessaires
ex: pour animal on a chien, chat baleine
propriétés chien: fourrure, 4 pattes, jappe, donne lait
chat: fourrure, 4 pattes, miaule, donne lait
baleine: vit dans eau, gros, donne lait
❖ Score de ressemblance familiale pour un item
–> Nombre d’autres items pour lesquels une propriété
spécifique est partagée
–> Somme pour toutes propriétés de l’item étudié
l’item qui partage le plus de carctérsitiques avec tous les autres items de sa catégorie, ici chien et chat son les plus typiques (meilleur score de ressemblance familiale)
Ressemblance familiale vs typicité exp RÉSULTATS ET INTERPRÉTATION
❖ Haute corrélation entre
jugements de typicité
et mesure de ressemblance familiale pour toutes catégories
❖ Un item plus typique
partage plus de
propriétés avec autres
membres de catégorie
(et moins avec
membres d’autres
catégories)
INTERP.
❖ Ressemblances familiales utilisées dans le
processus de catégorisation
❖ On utilise des caractéristiques « non-nécessaires »
pour catégoriser
❖ Lorsqu’un item montre le plus grand score de
typicité, on dit que c’est le prototype de la
catégorie
plus un animal ressemble généralement aux autres membres de sa famille plus on a tendance à le juger typique de sa catégorie
→ on l’appelle le prototype
❖ Deux modèles basés sur la similarité
❖ Approche prototypiste
❖ Approche exemplariste
Approche prototypiste
❖ Les concepts sont des prototypes
–>Représentation abstraite et sommaire dérivée en
« moyennant » tous les exemplaires rencontrés d’une
catégorie donnée
❖ « Moyennage »
–> Choisir la valeur la plus commune pour ch. caract.
—-> Lorsque caractéristiques peuvent être identifiées
–> Moyenne mathématique
❖ Lorsque caractéristiques ne peuvent pas être identifiées
–> Un prototype peut ne pas être identifiable!
❖ Règle de classification: Si objet possède assez de
caractéristiques en commun avec (ou est « assez
similaire au ») prototype, alors il est classé comme
un membre de cette catégorie
sommaire→ moyenne
→mon concept de chien c’est la moyenne des chiens que j’ai rencontré
→ genre les oreilles les plus fréquente, la couleur plus fréquente etc
possible d’Avoir un prototype mais ne pas savoir d’où il vient
une représentation de chien qui change a chaque fois que j,ai nouvelles données
Approche prototypiste vs classique
Approche classique: Ne
peut classer les frères
ensemble car pas de
caractéristiques
nécessaires partagées
Approche prototypiste:
Suppose que l’expérience
avec les frères mène à la
composition d’un concept
qui est la moyenne des
membres de la famille
–>Le prototype permet la classification de membres
de la famille jamais vus auparavant… et l’exclusion
des non-membres
Le besoin de
catégories artificielles
❖ Jusqu’à maintenant, nous avons étudié des
catégories naturelles ou concepts « langagiers », où
les propriétés et étiquettes sont verbalisables
❖ Rosch & Mervis (1975): « Les catégories désignées
par les mots des langues naturelles présentent
l’avantage (pour les étudier) qu’ils ont évolué et
apparaissent dans un véritable usage par l’humain;
toutefois, ils ont le désavantage de montrer des
variables d’intérêt non-contrôlées et nonanalysables en conjonction avec d’autres variables et d’autres facteurs externes. »
❖ 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.
❖ Pour comprendre comment on crée/apprend des
concepts, il faut créer des stimuli jamais vus/classifiés
❖ En construisant les catégories selon certaines
variables, on peut contrôler tous les facteurs, isoler
des effets spécifiques et faire des prédictions
Testons l’approche
prototypiste exp
❖ Posner & Keele (1968):
On the genesis of abstract ideas
❖ But: Montrer comment les prototypes pourraient être acquis et utilisés
❖ Tâche: Induction catégorielle
–> Apprentissage par exemples avec rétroaction
❖ Matériel: Patrons de points aléatoires (Catégories artificielles)
–> 3 catégories (A, B, C) générées selon 3 prototypes
–> Chaque catégorie composée de 4 distorsions
–> 12 exemplaires au total
——>on montre des exemplaires de chaque catégorie et tu dis si c’est dans famille a famille b etc
❖ Mesures
–> Taux d’exactitude/Temps de réponse
technique
–> Probabilité de
déplacement point
ex: Prototype à 9 points
généré au hasard –> on fait des distortions avec technique de déplacement point –> distortion peut etre forte ou faible
PROCÉDURE
1. PHASE D’INDUCTION
–>Apprendre à classer les exemplaires dans leur catégorie avec rétroaction
–> on montre les points, on dit si c’est abc pis on get rétroaction donc ocrrect ou incorrect
–>1 bloc = Toutes les distorsions
(3 catégories x 4 distorsions fortes = 12)
Prototypes jamais présentés
Critère: 2 blocs consécutifs sans erreur
(Résultat réel: 36 blocs nécessaires)
–>pendant phase d’apprentissage on montre juste les distorsions on va jamais montrer le prototype de base de chaque catégorie
→ phase test prend vrm longtemps pcq on le fait jusqu’à temps quil y ait 2 blocs consécutifs faits sans erreur
–>pendant apprentissage, a force de voir item et la bonne réponse, on s’est fait une moyenne pour classer les items donc on s’est fait notre propre prototype
→ alors la moyenne quon a fait doit alors probablement ressembler au prototype
- PHASE TEST
–>Classer avec exactitude anciens et
nouveaux exemplaires dans la
bonne catégorie sans rétroaction
4 types de stimuli - ancienne distortion forte
- nouvelle distortion forte
- prototype catégoriel
- nouvelle distortion faible
–> donc y’a juste un truc quon a déjà vu, mais prototype on devrait le connatre pcq moyenne de toutes les distortions quon a vu plus tot
Testons l’approche
prototypiste exp HYPOTHÈSES ET PRÉDICTIONS
❖ Anciennes distorsions (exemplaires)
–> Classées 36 fois chacune durant apprentissage
–> Temps de réponse bas
–> Taux d’exactitude élevé
–> Effet de pratique
❖ Et les nouveaux items?
–> Résultats critiques
❖ Possibilité 1: Pratique
–> Seuls les anciens items
ont été appris
–> Nouveaux items: jamais
vus
–> 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
❖ Possibilité 2: Prototypes
–> Représentations
mentales prototypiques
ont été développées
–> Même si prototypes
jamais présentés
–> Prototypes jamais vus
seront classés avec
exactitude et rapidité
–> Pairage avec la bonne
représentation mentale
pour chaque catégorie
–> Autres nouveaux items:
performance dépendra
de la similarité aux
prototypes acquis
Testons l’approche
prototypiste exp RÉSULTATS
❖ Anciens exemplaires
classés avec exactitude et
rapidité tel que prédit
❖ MAIS les prototypes
catégoriels aussi, même si
jamais vus à l’apprentissage
–>prototypes qu’on a jamais vu sont au mm niveau presque qu’images qu’on a pratiqué plusieurs fois
❖ Performance pour autres
nouvelles distorsions est
une fonction de leur
similarité au prototype
catégoriel
–> Plus similaire =
plus grande exactitude/
TR plus bas (aka les distortions faibles)
INTERPRÉTATION
❖ Selon Posner et Keele, les prototypes, i.e. des moyennes des exemplaires vus pendant
l’apprentissage, sont développés comme
représentations catégorielles (ou concepts)
❖ Parce qu’on a utilisé des stimuli et catégories artificielles, pas de variables externes qui peuvent
expliquer les résultats
❖ Soutien pour l’approche prototypiste
Approche exemplariste
❖ Les concepts sont l’ensemble ou un 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
Selon le modèle
exemplariste, le
nouveau frère sera
comparé à tous les
frères mémorisés. Il
sera classé dans la
même catégorie que
les frères auxquels il
est le plus similaire.
on apprend les exemplaires et on les garde en mémoire pis quand on voir un nouvel item → théories
1.on le compare a tous les items en mémoire
quand je vois nouveau frère je compare individuellement a chacun des frères pis je décide si y’a appartenance catégorielle
Testons l’approche
exemplariste EXP
❖ Medin & Schaffer (1978):
Context Theory of Classification Learning
❖ But: Montrer que la classification se fait
exclusivement sur la base des exemplaires mémorisés et non des prototypes développés
❖ Tâche: Induction catégorielle
❖ Matériel: Formes géométriques
–> Construits avec quatre propriétés binaires (2 valeurs)
–> ex: forme, taille, couleur, position
–> rond ou carré (0 ou 1), gros ou petit (0 ou 1), etc
❖ Procédure
–> On montre 9 exemplaires à classer dans l’une de
deux catégories pour jusqu’à 16 blocs (ou jusqu’à
deux blocs sans erreur)
–> Apprendre à classer les stimuli dans l’une de deux
catégories à l’aide de rétroaction
pour déterminer prototype d’une catégorie on prend la valeur la plus fréquente sur chacune des caract
HYPOTHÈSES/ PRÉDICTIONS
❖ Si prototypes sont acquis, alors exemplaires hautement similaires au prototype devraient être appris plus facilement (taux d’erreur plus bas)
❖ Si seulement les exemplaires sont mémorisés, alors les exemplaires hautement similaires à d’autres exemplaires dans la même catégorie, et dissimilaires aux exemplaires de l’autre catégorie, devraient être appris plus facilement
eX:
prototype c’est 1111
–>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
ex. 1= 1110
ex. 2= 1010
quand il a tt les mm caractéristiques sauf une on l’appelle: maximalement similaire
–>Si l’approche exemplariste est correcte, exemplaire 2
devrait être appris plus facilement qu’exemplaire 1.
Exemplaire 2 est maximalement similaire à deux
autres membres de sa propre catégorie…(il a 3 mm trucs sur 4 avec 2 autres exemplaires)
–> et est pas maximalement similaire à exemplaires de l’autre catégorie
–> alors que exemplaire 1 lui est maximalement similaire à 1 membre de la mm catégorie.. ET max. similaire à 2 membres de l’autre catégorie…..
Résultats/Conclusion
❖ Exemplaire 2 plus facile à appr. 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
❖ Depuis, beaucoup de recherche/modélisation faite
pour montrer que les représentations prototypistes
et exemplaristes peuvent toutes deux expliquer
certains résultats
