Introduction

1Un nombre grandissant de travaux tend à montrer que les fluctuations de la performance au cours d’une tâche chez un même individu (ou variabilité intra-individuelle, Vii) constituent un indicateur important de l’intégrité du traitement de l’information (e. g. Hultsch, MacDonald, & Dixon, 2002). La Vii a cependant été quantifiée par le biais d’une multitude de méthodes différentes (ex. écart type et/ou coefficient de variation intra-individuels, régressions, analyses distributionnelles), sans qu’on ne soit capable de déterminer quels sont les meilleurs indicateurs. En outre, un intérêt croissant a été porté sur des modèles mathématiques permettant de modéliser les processus psychologiques, parmi lesquels le modèle de diffusion de Ratcliff (1978. Voir aussi Wagenmakers, van der Maas & Grasman, 2007). Ce modèle permet d’estimer la contribution relative de différents processus engagés dans des tâches de décisions binaires relativement simples. Il repose sur le postulat selon lequel les décisions rapides sont guidées par un processus stochastique qui accumule l’information sensorielle de manière continue et graduelle, jusqu’au moment où un certain seuil est atteint et une réponse est produite. Le taux d’accumulation de l’information jusqu’à la décision est représenté par le paramètre de drift rate ou v. Plus la valeur de cet indice est élevée, plus le traitement de l’information est considéré comme efficace, stable et robuste. Un signal de meilleure qualité est ainsi associé à de moindres fluctuations dans le traitement. Par conséquent, v peut être interprété comme un indicateur de l’évolution du rapport signal / bruit, et plus généralement, de la Vii dans le traitement de l’information. Deux autres paramètres sont estimés dans le modèle : a ou caractère conservateur de la réponse, lié au processus décisionnel ; Ter ou temps de non-décision, lié à des processus non-décisionnels (tels que l’encodage et l’exécution de la réponse motrice). Deux avantages indéniables de ce modèle sont de fournir, pour chaque individu, une estimation des processus dynamiques sous-tendant la performance et, pour cela, de considérer conjointement la latence et la précision des réponses pour chaque essai ainsi que la distribution des réponses. Le modèle de diffusion a été appliqué dans une large variété d’épreuves cognitives et de domaines de recherche. L’application du modèle au domaine du vieillissement cognitif indique que les adultes âgés, relativement aux adultes jeunes, sont plus conservateurs dans leurs réponses et sont également plus lents pour exécuter la réponse motrice dans des tâches décisionnelles relativement simples. En revanche, le traitement de l’information chez les adultes âgés est aussi efficace, stable et robuste que chez les adultes jeunes pour la plupart des tâches (Donkin et al., 2010 ; Ratcliff, Thapar & McKoon, 2007 ; Wagenmakers, 2009). Enfin, le modèle de diffusion est, encore à ce jour, rarement appliqué à l’étude des différences d’âge au cours du développement chez l’enfant.

2Au-delà de l’intérêt croissant qu’il suscite, le modèle de diffusion présente néanmoins diverses contraintes qui limitent son application (processus cognitifs étudiés, type de tâche administrée, réponses du sujet, méthodes d’estimation et logiciels employés). Par conséquent, des approches alternatives telles que le modèle de diffusion simplifié EZ (Wagenmakers, van der Maas & Grasman, 2007) ont été proposées afin d’exploiter les trois paramètres principaux du modèle de Ratcliff. Cependant, cette approche reste limitée à un usage descriptif des données et ne permettrait pas d’évaluer le modèle théorique sous-jacent. Parmi les développements les plus récents, Vandekerckhove et al. (Vandekerckhove, Verheyen & Tuerlinckx, 2010 ; Vandekerckhove, Tuerlinckx & Lee, sous presse) proposent le modèle hiérarchique de diffusion (MHD), une méthodologie basée sur l’approche hiérarchique et l’estimation bayésienne. Dans ce cadre, des modèles probabilistes peuvent être élaborés qui respectent la structure complexe et hiérarchique communément observée dans les données comportementales (aux niveaux de la population, de l’individu et de l’item).

3Ce travail vise donc à évaluer les apports potentiels du MHD dans le cadre de la Geneva Variability Study (GVS), une étude à large échelle dont le but est d’examiner la variabilité inter- et intra-individuelle dans différents domaines cognitifs.

Méthode

Sujets

4L’échantillon investigué est issu de la GVS6et composé de 458 participants, à savoir 201 enfants de 9 à 12 ans (N_9ans = 50, N_10ans = 50, N_11ans = 51, N_12ans = 50), 137 jeunes adultes (de 19 à 35 ans) et 120 adultes âgés (N_60-70ans = 65, N_>70ans = 55).

Épreuves

5Le jugement de lignes a été sélectionné parmi les épreuves issues de la batterie de tests cognitifs de l’étude GVS. Dans cette épreuve informatisée, il s’agit d’indiquer le plus rapidement et le plus précisément possible quelle est la ligne la plus longue (gauche ou droite) parmi deux lignes verticales présentées simultanément à l’écran. Cette épreuve comporte 120 items et comprend une phase de familiarisation et une phase d’apprentissage. Le temps de réponse (en ms) et la précision pour chaque essai sont enregistrés.

Procédure et scores

6Les données sont analysées à l’aide du logiciel WinBUGS (Lunn et al., 1999). L’analyse statistique est basée sur un modèle probabiliste. Autrement dit, les estimations des paramètres du modèle de diffusion (ou distributions a posteriori) sont calculées à partir d’informations fournies par des experts (ou distributions a priori) et les données récoltées sur le terrain (vraisemblance). Une méthode d’échantillonnage de Gibbs, avec des algorithmes Monte Carlo par Chaîne de Markov (chaînes d’itérations, convergence) a été appliquée. Ainsi, 15 modèles imposant différentes structures hiérarchiques et non-hiérarchiques ont été testés. Le critère principal de validation utilisé est l’indice d’ajustement du modèle (DIC), correspondant à l’adéquation entre données observées et informations a priori. Si la vraisemblance augmente, la valeur du DIC diminue (en tenant compte du nombre de paramètres estimés).

Résultats

Comparaison des modèles

7Les résultats des analyses montrent que le modèle qui s’ajuste le mieux aux données (voir modèle E4 dans le Tableau 1) considère explicitement les différences individuelles et d’âge dans a, v, et Ter. Ce modèle considère d’autre part la Vii dans v et Ter.

8En outre, les paramètres estimés à partir du modèle MHD corrèlent fortement avec les paramètres du modèle EZ, suggérant que ces derniers fournissent une approximation satisfaisante des processus à l’œuvre. En effet, respectivement pour les enfants, les adultes jeunes et les adultes âgés les corrélations atteignent les valeurs de 0,86, 0,91 et 0,90 pour v, 0,86, 0,89 et 0,81 pour a, 0,85, 0,82 et 0,90 pour Ter.

Différences d’âge dans les paramètres estimés

9Les résultats indiquent que les 3 paramètres de base du modèle suivent une trajectoire au cours du cycle de vie en forme de U inversé (voir Figure 1, pour v). En outre, des différences d’âge ont été observées sur tous les paramètres du modèle, mais de façon plus atténuée pour les paramètres de Vii. Autrement dit, comparés aux adultes jeunes, les enfants et les adultes âgés sont plus conservateurs dans leurs réponses, ont besoin de plus de temps pour encoder, décider et produire la réponse motrice. Les enfants et adultes âgés sont également plus variables pour les temps associés aux processus tant décisionnels que non-décisionnels. Enfin, d’importantes différences interindividuelles ont été mises en évidence dans tous les paramètres et tous les groupes d’âge.

Fig. 1. Différences individuelles et d’âge dans le taux d’accumulation de l’information (ou v). Les symboles pleins et vides représentent les estimations de v dans les modèles MHD et EZ.

Conclusion

10Nous démontrons ainsi que la modélisation hiérarchique bayésienne est applicable à nos données, à savoir dans des tâches relativement simples qui ne requièrent pas différents niveaux de difficulté, comprennent relativement peu d’items et sont associées à un taux très élevé de réussite. Nos résultats indiquent en outre que le modèle le plus adéquat prend en compte les différences individuelles et d’âge dans les paramètres du modèle de diffusion. Nous concluons que le modèle de diffusion permet de mieux caractériser la variabilité inter- et intra-individuelle dans les processus cognitifs au cours du développement chez l’enfant et l’adulte. Les perspectives futures de recherche pouvant être envisagées dans ce cadre méthodologique portent sur 1°) la caractérisation plus systématique des différences individuelles et leur comparaison au travers des différents groupes d’âge, 2°) l’examen de la variabilité inter- et intra-individuelle dans d’autres tâches cognitives à l’aide du modèle MHD et 3°) la comparaison du modèle de diffusion de Ratcliff à d’autres modèles concurrents (notamment l’accumulateur linéaire balistique (voir Donkin et al., sous presse).