6.3.2 Données IRMf

Pour chaque condition (MOTOR et SUPRA), nous avons défini les régresseurs d’intérêt suivants (v. figure 10) :

1) Un régresseur ‘Contrôle’ (boxcar modélisant les événements « Cercle haut » / « Cercle bas » durant la tâche contrôle)

2) Un régresseur «  preparation  » (boxcar modélisant l’événement « Main au repos » convolué avec la fonction de base hémodynamique).

3) Quatre régresseurs «  evidence  » {EQ1, EQ2, EQ3, EQ4} pour les 4 quantités d’informations manipulées (boxcar modélisant l’événement «Action »).

Pour les 4 quantités d’information visuelle {basse (Q1), modérée (Q2), élevée (Q3) et très elevée (Q4)}, la durée des régresseurs a été égalisée (1580 ms) de manière à obtenir une durée de stimulation visuelle identique pour des quantités d’informations différentes.

4) Un régresseur «  décision  » (du départ de l’action à la réponse du sujet).

5) Régresseur paramétrique ‘ priors ’ : les régresseurs preparation et décision étaient modulés paramétriquement par le logarithme de la probabilité marginale de chaque intention, estimée sur la base des essais précédents. Cette valeur reflète la croyance actuelle du sujet sur la probabilité de survenue de chaque intention au début de l’essai en cours, et est mise à jour à l’issue de chaque nouvelle réponse.

L’hypothèse que les sujets utilisent de manière sans distinction tout ce qu’ils ont vu depuis le début de l’expérience jusqu’à l’essai en cours (i.e. qu’ils aient une mémoire infinie des événements passés – hypothèse de l’observateur Bayesien idéal) n’est cependant qu’une approximation qui, dans notre cas, ne décrit pas le comportement des participants de manière satisfaisante. C’est pourquoi nous avons fait l’hypothèse que la contribution de chaque événement passé aux croyances des participants décroissait au cours du temps, selon une fonction puissance. Nous avons donc estimé, pour chaque individu, le paramètre de cette perte d’information, et calculé le nombre d’essai nécessaire pour qu’un événement ne contribue plus qu’à hauteur de 5% de sa valeur informationnelle à l’établissement des croyances (horizon mnésique du participant) :

où u(t) est une fonction binaire qui prend 1 quand i se réalise à l’essai p, et 0 s’il ne se réalise pas (α est le paramètre de la fonction puissance et varie de 1 à 2 par un incrément dont la valeur est fixée par l’expérimentateur).

En condition MOTOR, nous obtenons un horizon mnésique moyen de 62 éléments ; en condition SUPRA, cet horizon est de 111 éléments (figure 11, ci-dessous). Les priors de chaque participant ont été recalculés en vertu de cet horizon mnésique, puis entrés dans le régresseur paramétrique ‘priors’.

Figure 11. Représentation de l’horizon mnésique des participants dans les conditions MOTOR et SUPRA. En abscisse, la position de chaque élément relativement à l’élément actuel (origine). En ordonnée, l’influence de chaque élément sur la représentation des probabilités de la séquence : plus cet élément a d’influence, plus sa valeur est élevée. L’élément qui précède l’élément actuel est inclus dans le calcul de l’empan mnésique optimal tant que l’influence de cet élément est supérieure à 5% de l’influence maximale que cet élément peut revêtir.