Un outil pour départager les approches ?

Comme nous l’avons évoqué, les analyses ROC et zROC sont censées pouvoir départager les modèles USVD et DSPD-HT. Nous verrons que ce n’est malheureusement pas le cas car les régularités observées dans ce type d’analyse (Hilford et al., 2002 ; Glenze, Hilford & Kim, 2004 ; Shimamura & Wickens, 2009), ainsi que les prédictions faites sur la variation des indices observés s’expliquent dans les deux approches. Premièrement, en ce qui concerne les analyses ROC et zROC, on remarque trois régularités :

REGULARITE 1 - Dans le cas de l’étude des sujets sains, il semblerait que la courbe ROC soit une courbe en U-inversé asymétrique38. Dans les modèles USVD, la courbe ROC est asymétrique parce que la variance pour les distributions d’items « ancien » () et « nouveau » (N) n’est pas la même. Dans les modèles DPSD, parce que la familiarité est censée refléter un processus de détection du signal, le modèle prédit des courbes ROC symétriques, mais comme la recollection est censée augmenter les HITs associés à un niveau de confiance élevé, la courbe ROC est asymétrique.

REGULARITE 2 - La transformation de la courbe ROC dans un espace z standard produit des droites zRoc rectilignes. Dans les deux modèles, cette régularité s’explique parce que la courbe ROC est proche d’une courbe gaussienne.

Nous garderons principalement de ce point que les analyses ROC et zROC semblent être des outils puissants pour quantifier et analyser les manipulations expérimentales sur l’activité de reconnaissance. Alors que les analyses ROC et zROC sont censées permettre de départager ces deux approches (i.e. basées sur un processus ou deux processus), la variabilité des courbes semblent être explicable dans les deux cas (i.e. Wixted, 2007 ; Dunn, 2008), bien que Yonelinas et Park (2007) affirment que pour rendre compte de l’ensemble des résultats obtenus à l’aide de ces analyses, les modèles actuels doivent inclure une distinction de type dual-process (i.e. familiarité/recollection).

Pour ce chapitre, nous arrêterons ici notre revue de la littérature39 qui nous semblait nécessaire pour poser les bases de notre approche. En effet, pour expliquer la dissociation robuste entre les niveaux de conscience associée à la récupération d’une information, nous avons confronté au sein des modèles non abstractifs des approches basées sur l’existence de deux processus de récupération distincts (e.g. Familiarité et Recollection) par rapport à des approches qui supposent l’existence d’un seul processus de récupération (e.g. appariement global). La tâche de reconnaissance semblait être intéressante pour départager les conceptions liées à la récupération d’une information en mémoire mais les modèles explicatifs de cette activité reste encore à contraster.

Les deux points suivants seront donc principalement consacrés à notre modélisation et aux apports, d’une part, d’une notion d’émergence lors du processus de récupération, et, d’autre part, d’une relation qui unit activités de récupération, traces et conscience.

Notes
38.

A noter que les modèles à seuil de décision fixe sont incapables de rendre compte de ces régularités. Notamment ils prédisent une courbe ROC rectiligne et une courbe zROC en U-inversé dans le cas de la reconnaissance d’items.

39.

Alors que les modèles DSPD-HT ont peu évolué, les modèles ESVD ont évolué en modèles 2D-SDT (two-dimensional signal-detection-theory, Hilford et al., 2002 ; Shimamura & Wickens, 2009) qui conservent les propriétés des modèles ESVD mais incorporent une nouvelle distribution correspondant à la source.