Les données de jugement de relation transformées en matrices de distances

Les données de jugement de relation qui sont obtenues pour chaque paire de concepts peuvent être converties en valeurs de proximité (ou de dissimilarité). Pour cela, chaque donnée de jugement de relation est soustraite à la note maximale qui peut être attribuée à une paire de concepts (i.e., 7 ou 9). Ainsi, plus la valeur de proximité est faible, plus le poids de la relation qu’elle représente est élevé, et plus les concepts ainsi associés sont similaires. Ces valeurs constituent une matrice de proximités à n lignes et n colonnes, n correspondant au nombre de concepts proposés. Une telle matrice peut être vue comme une représentation des connaissances du domaine auquel réfèrent les concepts. En effet, pour permettre aux sujets de comparer et coter les paires de concepts proposées au cours de la tâche, une évaluation des connexions entre les noeuds pertinents du réseau activé en mémoire à long-terme serait nécessaire (Stanners & al., 1983).

Néanmoins, les données de proximité restent ’silencieuses’, et donc difficiles à interpréter (Goldsmith, Johnson, & Acton, 1991). Aussi, deux procédures peuvent être utilisées pour représenter de façon graphique l’organisation sous-jacente aux données de proximité : les échelles multidimensionnelles (Kruskal, 1977) et l’algorithme Pathfinder (Schvaneveldt, Durso, & Dearholt, 1985). Si ces deux procédures ont le point commun de réduire l’information, elles procèdent de façon différente et mettent en avant des aspects différents de la structure sous-jacente. En effet, l’échelle multidimensionnelle convertit les données de jugement de relation en matrice de distances (euclidiennes) dans l’objectif d’une part, de représenter les dimensions sémantiques qui caractérisent le domaine, et d’autre part, d’arranger les concepts (représentés sous forme de points) dans l’espace dimensionnel. Une telle procédure semble, par conséquent, capter l’information globale (Gonzalvo, Canas, & Bajo, 1994). Cette suggestion est soutenue par les résultats qui montrent que l’échelle multidimensionnelle est capable de prédire des temps de jugement à une épreuve de catégorisation nécessitant une analyse globale des concepts (Rips, Shoben, & Smith, 1973). En revanche, l’objectif de l’algorithme Pathfinder est de déterminer s’il existe ou non un lien entre deux concepts donnés. Il s’intéresse donc aux relations locales plutôt qu’à la globalité du réseau. Cooke, Durso et Schvaneveldt (1986) ont ainsi montré que l’algorithme Pathfinder était capable de prédire les performances à des épreuves de rappel libre (ou sériel) dans lesquelles les relations entre les concepts sont généralement cruciales. Par exemple, pour la tâche de rappel sériel, l’organisation des listes d’items définie par l’algorithme Pathfinder permettait un apprentissage plus rapide que celle définie par l’échelle multidimensionnelle (Cooke & al., 1986). Nous allons décrire de façon plus détaillée cette dernière procédure, car nous l’avons utilisée dans notre première expérience pour traiter des données de proximité.