Cours#4 - Traitement ascendant et descendant Flashcards
Quels sont les principax problèmes avec le modèle attentionnel de Broadbent?
Il y a divers arguments qui laissent croire qu’il y aurait du traitement sémantique très tôt dans le système attentionnel. On s’est rendu compte que les participants étaient capable de détecter leur prénom dans l’oreille à ignorer, ce qui va à l’encontre de la sélection hâtive, parce que ça laisse corire qu’il y a du traitement sémantique des deux messages. Dans le même ordre d’idée, les participants avaient tendance à suivre un message qui se poursuivait sémantiquement dans l’autre oreille. En plus de cela, si on présentait un mot biaisant dans l’oreille à ignorer, cela pouvait changer l’interprétation de la phrase à rapporter. Finalement, des mots conditionnés au choc (par exemple des noms de villes) présentés dans l’oreille à ignorer ont provoqué des réponses électrodermiques chez les participants.
Pour Collin Cherry et Broadbent, sur la base de quelles caractéristiques faisons nous de la sélection hâtive?
Les caractéristiques physiques du son telles que le timbre, la hauteur, etc.
Quels sont les ajouts de la part de Treisman au modèle attentionnel qui ont pour but de régler les problèmes?
Un atténuateur, un analyseur hiérarchique et une unité dictionnaire. Ainsi, les deux entrées sont traitées en même temps, mais une avec plus d’importance. Les mots comme notre nom sont haut dans la hiérarchie de l’unité dictionnaire et ça explique qu’on le détecte même s’il est dans le canal atténué.
Comment calcule-t-on le niveau d’activation totale d’un mot dans le modèle de Norman?
C’est le niveau de pertinence + l’activation sensorielle.
Fonctionnement du template matching
- Activation des récepteurs rétiniens par la lettre A
- Activation détecteur de lettre spécifique
On doit comparer l’entrée avec tous les détecteurs en stimulatnés et choisir la meilleur correspondance pour choisir la lettre
Problème du template matching
pas parcimonieux : un gabarit par lettre/objet
aucun soutien neurologique
Pas flexible/ne contient pas de la variabilité (taille/empacement exacts, orientation et forme )
Sauver la théorie de l’appariement au gabarit
Ajouter des modules qui vont faire l’ajustement des entrées (taille/orientation )
ceci a juste repousser la compréhension dans le système
reste difficile à implémenter dans un ordinateur car incapable de lire écriture manuscrite
Pandémonium
modèle basé sur les données ( traitement ascendant ), sur l’analyse de caractéristiques
1- Étapes de traitement
2- Chaque étape prend un temps déterminé
3- Transformation des entrées
4- Opérations sérielles
Composé de 4 types d’unités de reconnaissance qu’on nomme démons
Modèle qui suit les postulats de l’approche de traitement de l’information
Démons d’image
enregistre image initiale du signal externe et sépare le stimulus en différents caractéristiques
Comme les récepteurs rétiniens + mémoire sensorielle
Démons des caractéristiques
Cherche une caractéristique particulière dans le patron d’entrée : ligne ou angle spécifique
comme les cellules simples et les détecteurs de caractéristiques
Démon cognitifs
portent attention aux réponses des démons caractéristiques et recherchent un patron particulier
Ils crient proportionnellement au signal reçu des démons caractéristiques
Comme la mémoire à court terme ( récupération de mémoire à long terme )
Démon de la décision
Écoute le pandémonium crée par les démons, le plus fort des démons cognitifs gagne
Comme la mémoire à court terme
Avantage de cette théorie de pandémonium qui permet de prédire les erreurs de confusions
Avec un nombre limité de caractéristiques, on peut définir et distinguer toutes les lettres de l’alphabet
Argument soutenant le pandémonium
plus parcimonieux
avec un ensemble fini de détecteurs de caractéristiques, reconnaissance possible d’un nombre potentiellement infini d’objets
flexibilité : peut reconnaitre les lettres même si on change d’orientation/taille
support neurologique : cellules simples et complexes et détecteurs de caractéristiques
prédit les erreurs fréquent et non fréquent grâce à une matrice
Théorie de reconnaissance par composantes ( Biederman )
Traitement ascendant
basé sur caractéristiques
Ensemble de blocs 2D dans notre système pour créer des objets 3D
reconnaissance d’objets par séparation en 36 géons. ( tel que alphabet )
Connexions au vertex ( intersection de 3 segments de lignes ou plus, indice de profondeur )