Apprentissage statistique, Incertitude, Codes neuronaux, Inférence bayésienne, IRM fonctionnelle (IRMf)

Le monde dans lequel nous vivons est incertain. Cette incertitude, inhérente à la structure du monde, impacte la cognition à chaque étape du traitement de l'information, de la perception à la prise de décision et à l'action, en passant par l'apprentissage et la mémoire. Ainsi, prédire le futur dans le but de faire des choix adaptés constitue un enjeu majeur pour le cerveau. Dans des environnements stochastiques et volatiles, le cerveau est capable d'inférer les paramètres (i.e. statistiques) de l'environnement sur la base d'observations passées. À partir de cette inférence statistique, le cerveau estime la probabilité d'événements futurs (incertitude de premier ordre), souvent de manière quasi-optimale. Par ailleurs, un sentiment subjectif de confiance accompagne généralement ces estimations de probabilité, caractérisé comme l'inverse de l'incertitude (incertitude de second ordre). Parce qu'elle modélise ces incertitudes de premier et second ordre, la théorie bayésienne s'est répandue dans les domaines des neurosciences et de la psychologie cognitive. Le succès des modèles d'apprentissage statistique de la cognition a favorisé l'émergence de "l'hypothèse du cerveau bayésien" selon laquelle le cerveau calcule avec des degrés d'incertitude pour estimer et mettre à jour son modèle du monde. Cependant, la question du format et de l'implémentation neuronale de ces représentations probabilistes demeure ouverte. Cette thèse vise à comprendre la manière dont les incertitudes de premier et second ordre sont représentées dans le cerveau. Dans ce but, j'utilise un modèle bayésien d'observateur idéal d'apprentissage statistique capable d'expliquer le comportement humain dans des contextes stochastiques et changeants. Sur la base de travaux antérieurs, je valide une méthode expérimentale optimisée pour l'investigation des codes neuronaux de l'incertitude et d'autres variables impliquées au cours de l'apprentissage (e.g., la surprise, l'imprévisibilité) au moyen de l'imagerie par résonance magnétique fonctionnelle (IRMf) à ultra-haut champ (7 Tesla). La première étude caractérise la représentation neuronale de la confiance et met en exergue un réseau fronto-pariétal recruté dans la représentation de la confiance. L'activité mesurée en IRMf dans ce réseau varie de manière linéaire avec la confiance. Cette sensibilité à la confiance est spécifique : le réseau ne code pas d'autres variables pertinentes pour l'apprentissage. Elle est aussi fonctionnelle : elle semble moduler la confiance rapportée par les sujets, suggérant un rôle dans le comportement guidé par l'incertitude. De plus, les corrélats neuronaux de la confiance dans ces régions rejoignent en partie ceux de la surprise, en accord avec une régulation de l'apprentissage adaptatif par la confiance. La seconde étude examine plus finement la structure de ces représentations. Elle teste des hypothèses alternatives sur les codes neuronaux des probabilités estimées et de la confiance associée aux estimations avec différents modèles d'encodage correspondant à différents codes neuronaux. Les résultats confirment que la confiance est codée de façon linéaire dans l'activité neurale des cortex frontal et pariétal. À l'inverse, la probabilité est codée de manière non linéaire dans l'activité de différentes populations de neurones des cortex préfrontal et pariétal. Enfin, aucune région du cortex ne semble coder la probabilité sous la forme d'une distribution complète. Nos résultats dans leur ensemble suggèrent que les incertitudes de premier et second ordre sont représentées dans l'activité d'un réseau cortical fronto-pariétal et rejoignent la théorie selon laquelle les humains détiennent, dans une certaine mesure, une représentation bayésienne de l'incertitude.