3.5. La caractéristique opérante du recepteur (ROC : Receiver Operating Characteristic)

Les valeurs des paramètres de la ROC reliant la probabilité des hits à celle des fausses reconnaissances en fonction de la certitude permet diverses inférences sur les processus mnésiques sous-jacents à la performance. Ainsi lorsque seule la familiarité contribue à la reconnaissance, comme le prédit la TDS classique (et, plus généralement tous les modèles de la reconnaissance à un seul processus), la x-ROC est curvilinéaire et symétrique par rapport à la diagonale positive ( Figure 4A). Si on remplace Ra par 0 dans l’équation (1), on obtient :

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

La x-ROC est curvilinéaire à cause de la nature continue de la distribution gaussienne de la familiarité et elle est symétrique parce que la distribution des items anciens et celle des items nouveaux ont la même variance. Une diminution de la performance mnésique (d’) fera que la fonction sera plus proche de la diagonale positive mais elle sera toujours symétrique. La ROC transformée dans l’espace z, ou z-ROC, sera linéaire, avec une pente égale à 1 (Figure 4Az).

Si les variances des distributions sont inégales (modèle TDS à variances inégales), la x-ROC devient alors curvilinéaire et asymétrique (Figure 4B). Si la distribution de la variance des items anciens est plus importante que celle des items nouveaux alors la fonction sera comme tirée vers le coin supérieur gauche. Le degré d’asymétrie augmentera de la même manière qu’augmentera la distribution de la variance des items anciens. La z-ROC associée sera linéaire, mais sa pente sera inférieure à 1(Figure 4Bz).

Si la récollection seule contribue à la reconnaissance, c'est-à-dire si la familiarité F = 0, la fonction x-ROC est alors linéaire (Figure 4C). L’équation reliant les hits et les fausses alarmes devient alors :

P(oui / ancien) = P(oui / nouveau) + R_a

En effet, le modèle DPSD postule que la récollection est régie par un modèle à seuil. Les sujets sont donc capables de récollecter les informations à propos de l’item ou non. La distribution de la récollection est discrète et n’est pas continue comme l’est celle de la familiarité, le modèle génère donc une droite. L’interception de la fonction avec l’axe des y représente la probabilité qu’un item ancien soit récollecté, cette valeur peut varier de 0 à 1. Le modèle DPSD peut aussi prédire que la ROC soit linéaire et qu’elle intercepte non seulement l’axe des y (probabilité de récollection d’items anciens) mais également l’axe supérieur des x. Cette intersection de la fonction avec l’axe supérieur des x représente cette fois la probabilité de récollection appliquée aux items nouveaux. La z-ROC associée est curvilinéaire en U car une composante quadratique différente de 0 s'ajoute à la composante linéaire (Figure 4Cz).

Figure 4. x-ROCs prédites par le modèle de la TDS classique à variances égales (A), par le modèle de la TDS à variances inégales (B), par le modèle DPSD quand la reconnaissance est basée uniquement sur la récollection (C), par le modèle DPSD quand la reconnaissance est basée sur la récollection et la familiarité (D). z-ROCs pour le modèle de la TDS (Az), pour le modèle à variances inégales (Bz), pour le modèle DPSD basé sur la seule la récollection (Cz), pour le modèle DPSD basé sur la récollection et la familiarité (Dz) (Adapté de Rotello & al. 2000, p. 70).

Si la familiarité et la récollection participent tous les deux à la reconnaissance, la x-ROC est à la fois curvilinéaire et asymétrique (Figure 4D). L’ajout de la contribution de la récollection à la reconnaissance fait que chaque taux de hit de la ROC de la TDS (curvilinéaire et symétrique) est augmenté de « R_a + ( 1 – R_a ) ». La z-ROC associée est curvilinéaire en U, la composante quadratique due à la récollection explique cette curvilinéarité (Dz).

Cette modélisation repose sur le postulat d’indépendance stochastique des processus de familiarité et de récollection. Elle postule, que la familiarité des items anciens et nouveaux est décrite selon la théorie de la détection du signal (distributions gaussiennes de la familiarité des items anciens et nouveaux, variances égales des distributions). De plus, si la récollection intervient, la certitude des réponses de reconnaissance est supposée être relativement élevée (variable discrète). Au contraire, les réponses basées sur la familiarité sont distribuées sur l’ensemble des degrés de certitude (variable continue).