3.4. Une conception synthétique : Le modèle de détection du signal à deux processus

Le modèle DPSD (Dual-Process Signal Detection) est basé sur l'hypothèse que la familiarité reflète un processus de détection du signal et la récollection un processus de reconnaissance à seuil. L'idée d'incorporer la théorie de la détection du signal dans un modèle dualiste, d'abord proposée par Atkinson et ses collaborateurs (1974), a été plus tard considérée comme une possibilité pour décrire l'influence automatique de la mémoire dans une tâche de complétion (Jacoby et al., 1993). Dans le modèle de Yonelinas (1999a), la familiarité est décrite avec le modèle classique de détection du signal.

Contrairement à la familiarité, qui est une variable continue, la récollection est supposée refléter un processus de récupération à seuil (tout-ou-rien) de la trace mnésique et du contexte de l'événement à reconnaître. Si la récollection et la familiarité sont stochastiquement indépendantes, alors la probabilité de reconnaître l'item cible est égale à la probabilité qu'il soit récollecté (R_a) plus la probabilité que l'item ne soit pas récollecté ( 1 – R_a) et que la familiarité dépasse le critère de réponse (F_a) : P(oui / ancien) = R_a + ( 1 – R_a)F_a. La probabilité d'accepter un item nouveau est égale à la probabilité que la familiarité dépasse le critère de réponse (F_n) : P(oui / nouveau) = F_n. En soustrayant la seconde équation de la première on obtient : P(oui / ancien) = P(oui / nouveau) + R_a + ( 1 – R_a )F_a - F_n. Si les distributions de la familiarité sont normales et d'égale variance, alors :

F_a = Φ [(d' / 2) – c] et F_n = Φ [-(d' / 2) – c].

F_a et F_n représentent donc la probabilité que la familiarité des cibles et des distracteurs dépasse le critère de réponse (c), étant donnée la distance d' entre les valeurs des deux distributions gaussiennes Φsous-jacentes pour les items anciens et nouveaux. Ce qui donne, en inclusion :

P(oui / ancien) = P(oui / nouveau) + R_a + ( 1 – R_a ) Φ [(d' / 2) – c] - Φ [-(d' / 2) – c] (1)

En exclusion :

P(oui / ancien) = P(oui / leurre) + R_a + ( 1 – R_a ). Φ [(d' / 2) – c] - Φ   R_l) Φ [-(d' / 2) – c] (2)

(R_l étant la probabilité qu’un item leurre soit récollecté)

Représenter le modèle avec une seule équation reliant les reconnaissances correctes et les fausses reconnaissances est particulièrement utile car cela permet de représenter la performance en reconnaissance en tenant compte non seulement de deux processus mnésiques (familiarité et récollection) mais aussi en incorporant dans le modèle la variabilité induite par les fluctuations du critère de décision, comme dans la TDS, ce qui n'est pas possible avec la simple PDP. La fonction qui en résulte est connue en psychophysique sous le nom de ROC (Receiver Operating Characteristic). Le pourcentage cumulé de reconnaissances correctes (hits) peut être ainsi mis en relation avec le pourcentage cumulé des fausses reconnaissances en fonction de la position du critère de décision estimé, par exemple, par la certitude subjective de la réponse de reconnaissance.