Une étude de l'évolution de la modularité cognitive assistée de simulations
Notice bibliographique
Résumé
Les simulations connexionnistes évolutionnaires combinent réseaux de neurones et algorithmes génétiques. La notion de modularité cognitive-neuronale désigne une architecture constituée de sous-réseaux dont les caractéristiques innées sont l'encapsulation, la localisation et la spécialisation fonctionnelle. Nous soutenons que les simulations connexionnistes évolutionnaires peuvent être utilisées pour développer une théorie de l'évolution de la modularité possédant une structure épistémologique et une méthodologie mutuellement adéquates. Elles sont mutuellement adéquates, car les simulations connexionnistes évolutionnaires permettent de faire des arguments par modèles (au sens logique) sur les relations d'implication et de consistance, et la théorie contient des lois qui sont des conséquences logiques de la théorie de l'évolution et des postulats neurocomputationnels. L'utilisation du connexionnisme évolutionnaire pour développer une telle théorie n'est pas qu'une possibilité abstraite ; des pas importants ont déjà été faits, et cette thèse apporte à ce domaine une contribution originale par le biais de simulations servant à valider des hypothèses existantes sur l'évolution de la modularité et à en formuler de nouvelles. Dans le premier chapitre, nous passons en revue les principales conceptions de la modularité et définissons, justifions et opérationnalisons la notion qui est utilisée par la suite. Dans le second chapitre, nous précisons le statut épistémologique et la structure que devrait avoir une théorie de l'évolution de la modularité. Dans le troisième chapitre, nous établissons les fondements méthodologiques des simulations connexionnistes évolutionnaires et montrons comment cette méthodologie s'articule particulièrement bien aux caractéristiques épistémologiques de la théorie présentées au second chapitre. Dans le quatrième chapitre, nous examinons et rejetons les arguments théoriques visant à établir déductivement la nécessité de la modularité. Nous faisons dans le cinquième chapitre une revue d'un ensemble de modèles de l'évolution de la modularité sous certaines conditions, modèles basés pour la plupart sur une tâche dite de localisation et de catégorisation. Dans le sixième chapitre enfin, nous produisons de nouvelles simulations, et des tests plus approfondis sont effectués pour mieux comprendre les simulations déjà existantes. Nos résultats permettent entre autre de mieux comprendre le paradigme expérimental dominant dans ce domaine, de montrer comment l'interaction de l'apprentissage et de l'évolution permet de contourner les obstacles à l'évolution de la modularité, et comment l'évolution de biais innés spécialisés dans un module favorise la capacité de généralisation dans une tâche. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Modularité, Évolution, Connexionnisme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».