Apprentissage de la catégorie

Dans le cas de l’apprentissage supervisé de la catégorie, il existe une pression de l’environnement afin de trouver des similarités aux objets qui nous entourent. Par exemple, une mère peut demander à son enfant : « Trouve-moi tous les objets orange ». Cette consigne amène l’enfant à isoler une propriété couleur (ici, l’orange) et à créer artificiellement une catégorie d’objets partageant cette propriété, mais aussi inversement un autre groupement d’objet ne possédant pas cette propriété. Dans le cas de l’apprentissage non supervisé de la catégorie, l’individu est capable de spontanément diviser des cohortes d’objets en catégories (ou inversement ne pas choisir de grouper ces objets entre eux). Dans ce cas, les catégories vont s’organiser, afin de maximiser la similarité entre les objets intra-catégorie et minimiser la similarité inter-catégorie (pour une discussion sur les relations entre apprentissage supervisé ou non supervisé, Photos & Chater, 2005). Un exemple particulier d’apprentissage non supervisé est l’apprentissage statistique perceptif (notamment visuel). Dans ce cas, l’apprentissage est non seulement non supervisé, mais il est aussi incident. Dans le cas du paradigme AGL (Artificial grammar Learning, e.g. Reber & Allen, 1978,), l’exposition à des informations complexes (non-mots) qui suivent une règle d’organisation artificielle de type grammatical montre que des participants sont capables d’extraire des régularités au sein des informations de telle sorte qu’ils arrivent à juger de manière efficace de la grammaticalité de nouveaux items. Ce phénomène est relativement flexible afin que l’apprentissage statistique puisse être basé sur l’extraction d’une règle (Reber & Allen, 1978), d’une propriété perceptive (généralement visuelle) ou sur l’intégration de plusieurs propriétés perceptives multidimensionnelles unimodales (Turk-Browne et al., 2008). En effet, dans cette étude, les auteurs ont examiné l’apprentissage visuel statistique (visual stastitical Learning – VSL) et montré que le VSL peut être à la fois « feature-based » (i.e. basé sur une propriété, la couleur) ou « object-based » (i.e. basé sur l’intégration de deux propriétés multidimensionnelles, la forme et la couleur), et ceci en fonction de la covariance relative entre les propriétés. Dans ce cas, il s’agit de l’acquisition par l’expérience perceptive d’une unité servant de base à l’activité de catégorisation (i.e. l’inclusion ou exclusion suivant des règles de similarité).