Modèles d’exemplaires

Contrairement aux modèles précédents, les modèles d’exemplaires¹⁸ (Medin & Schafer, 1978 ; Nosofky, 1986 ; Logan, 2002) ne supposent pas l’existence d’une représentation abstraite de la catégorie que ce soit en mémoire ou sous la forme d’une frontière catégorielle. Ils supposent que la mémoire ne contient que des instanciations des catégories et que ces dernières émergent de l’activité du sujet. En ce sens, la catégorie n’est nullement statique, mais reflète une adaptation de l’individu aux exigences de la tâche en cours. Dans le cas du modèle GCM ¹⁹ (Generalized context model, Nosofsky, 1986 ; 1988 ; 1991), les exemplaires rencontrés lors de l’expérience perceptive ne subissent aucun modification et sont encodés tels quels en mémoire (voir la notion d’empreinte globale, Goldtsone, 1998) dans un espace psychologique multidimensionnel à n dimensions suivant une métrique euclidienne. La distribution des exemplaires en mémoire est alors fonction des relations de similarité et de distance entre les exemplaires sur l’ensemble des dimensions de l’espace. D’après ce modèle, la probabilité de catégoriser un item i comme un exemplaire de la catégorie A est estimée à partir d’un calcul de similarité sur l’ensemble des dimensions (pondéré par l’attention) partagés par l’item à traiter et les exemplaires de la catégorie A en mémoire (voir Shepard, 1987) et en fonction de sa distance, calculée sur les mêmes dimensions, avec les exemplaires de la catégorie B.

En 1994 puis en 1997, Nososfky et collaborateurs introduisent des modifications conséquentes au modèle GCM afin de rendre compte de l’aspect probabiliste de la représentation en mémoire (pour une revue voir Nosofsky, 1992) ainsi que de la variabilité des temps de catégorisation (Nososfky & Palmeri, 1997). Tout d’abord, RULEX (rule-exception-plus model, Nosofsky, Palmeri & Kinley, 1994) est un modèle d’exemplaire basé sur un processus analogue à un test d’hypothèse (règles) capable de prédire correctement le fait que l’on puisse accéder directement à un item qui ne correspond pas à la règle de catégorisation, aussi bien dans une tâche de catégorisation que de reconnaissance. Selon le modèle, la probabilité d’encoder une exception est alors fonction du nombre de propriétés qui différent entre l’exception et les exemplaires d’une catégorie donnée. Nosofsky et collaborateurs ont ensuite proposé un modèle d’exemplaire (Exemplar-Based random walk model, Nososfky & Palmeri, 1997) basé sur un processus de décision aléatoire pas à pas qui s’établit dans le temps et qui est alors capable de rendre compte des temps de catégorisation et de classification de stimuli .