Comme c’est souvent le cas dans la littérature (e.g. Knowlton, Ramus & Squire, 1992), un amalgame est généralement fait entre activités catégorielles et activités indirectes (e.g. catégorisation ou classification) d’une part, et entre activités discriminantes et activités directes d’autre part (e.g. reconnaissance). Nous avons réinterprété cette dichotomie entre les tâches indirectes et directes suivant un continuum d’intégration (Leritz et al., 2006 ; voir chapitre 3) où l’expérience de conscience était nécessairement un produit de l’émergence des connaissances. En conséquence, l’expérience de conscience associée à la récupération ne peut être considérée comme un indicateur d’efficacité (voir le point précédent sur les fausses reconnaissances) ni être une caractéristique d’un type de tâche, de système ou de processus. Nous recentrerons la dichotomie entre les activités mnésiques autour d’une comparaison entre les activités catégorielles et discriminantes. Comment prédire alors l’efficacité dans ces activités ?
Dans la suite de ce chapitre, nous prendrons régulièrement comme exemple le modèle MINERVA 252 (Hintzman, 1986 ; 1988) pour illustrer nos propos, et ce car cette modélisation a déjà été utilisée pour simuler des erreurs de mémoire (Arndt , 2010 ; Arndt & Hirshman, 1998).
L’encodage au sein de MINERVA 2 implique le stockage de traces mnésiques indépendantes pour chaque item étudié. Au moment de la récupération, les items tests vont être comparés (i.e. appariés) avec l’ensemble des traces en mémoire. Cette comparaison va générer une valeur d’activation pour chaque trace en fonction de la similarité entre chacune des propriétés de l’item à traiter et chaque trace mnésique (voir aussi Nosofsky, 1986 ; 1991 ; Nairne, 1990 ; 2006). Ces valeurs d’activation vont alors être sommées entre chaque trace et, à la fois, donner une valeur d’activation mnésique et déterminer le contenu de l’écho.
a) L’efficacité du traitement dans les activités catégorielles dépend principalement de l’appariement entre les propriétés partagées par l’indice à traiter et un grand nombre de traces en mémoire plus ou moins similaires à l’indice (voir le chapitre 2).
b) En revanche, l’efficacité du traitement dans les activités discriminantes est tributaire d’un appariement entre un indice et un nombre restreint de traces. D’après Nairne (2006), pour un indice de récupération donné, la probabilité d’appariement des propriétés de celui-ci avec une faible quantité de traces est alors inversement proportionnelle au chevauchement entre les propriétés des traces.
L’efficacité dans une activité donnée va alors être systématiquement dépendante à la fois : 1) de la probabilité d’appariement entre les propriétés d’un indice et un ensemble de traces compétitrices ; 2) de la probabilité d’appariement entre les propriétés d’un indice avec un nombre restreint de traces cibles (voir aussi la notion d’indiçage interactif Arndt, 2010 ; Hick & Starn, 2006). Ici, le terme indice renvoie au contenu de la situation perceptivement présente qui va nécessairement varier en fonction des tâches tests (voir chapitre 3).
Pour les principaux détails computationnels de ce modèle voir Annexe A.