L'inférence bayésienne estime de manière optimale les probabilités à partir de données limitées et bruyantes en tenant compte des niveaux d'incertitude. J'ai remarqué que les estimations de probabilités humaines s'accompagnent de niveaux de confiance rationnels dénotant leur précision ; je propose donc ici que le sens humain de la probabilité soit bayésien. Cette nature bayésienne contraint l'estimation, la représentation neurale et l'utilisation des probabilités, que je vise à caractériser en combinant la psychologie, les modèles informatiques et la neuro-imagerie.
Je caractériserai le sens bayésien des probabilités par le calcul et la psychologie. La confiance humaine comme précision bayésienne sera mon point de départ, je testerai d'autres formalismes et chercherai les algorithmes humains qui se rapprochent de l'inférence bayésienne. Je testerai si la confiance dépend d'un raisonnement explicite (avec des mesures électrophysiologiques implicites), je développerai des moyens de mesurer sa précision dans un contexte d'apprentissage, je testerai si elle peut être formée et si elle est générale au domaine.
Je rechercherai ensuite les codes neuronaux des probabilités bayésiennes, en m'appuyant sur des modèles de codage pour l'imagerie par résonance magnétique fonctionnelle (IRMf) et sur des réseaux neuronaux artificiels orientés vers un but précis pour proposer de nouveaux codes. Je demanderai si l'information de confiance est intégrée dans la représentation neurale de l'estimation de la probabilité elle-même, ou si elle est séparable.
Enfin, j'étudierai une fonction clé de la confiance : la régulation de l'apprentissage. Je testerai l'implication de neuromodulateurs tels que la noradrénaline dans ce processus, en utilisant à la fois la variabilité intra-sujet et inter-sujets dans l'activité des principaux noyaux neuromodulateurs (avec l'IRMf avancée), la libération corticale de la noradrénaline pendant l'apprentissage et sa densité de récepteurs (avec la tomographie par émission de positons) et je testerai la causalité avec une intervention pharmacologique.
La caractérisation du sens de la probabilité a de vastes implications : elle devrait améliorer notre compréhension de la façon dont nous représentons notre monde avec des modèles internes probabilistes, de la façon dont nous apprenons et prenons des décisions.
Durée du projet
5 ans
|
Subvention
1,5 millions €
|
|
Date de démarrage
01 février 2021
|
Chercheur : Florent Meyniel 
(UNICOG / NeuroSpin)
Contact : florent.meyniel@cea.fr
Numéro d'agrément : 948105
A propos des ERC Starting Grants (STG) et Consolidator Grants (CoG)
Les Starting Grants et Consolidator Grants visent à soutenir des chercheurs talentueux, en pointe ou en voie de l'être, désirant constituer leur propre équipe de chercheurs et mener des recherches indépendantes en Europe. Cette subvention cible les chercheurs prometteurs, qui ont démontré leur potentiel à se hisser au rang des leaders indépendants de la recherche. Elle soutient la création de nouvelles équipes de recherche d'excellence.
Ces subventions sont destinées aux chercheurs de toute nationalité possédant entre 2 et 7 ans (Starting Grants) ou entre 7 et 12 ans (Consolidator Grants) d'expérience depuis l'obtention de leur doctorat (ou diplôme équivalent) avec un parcours scientifique très prometteur.
https://erc.europa.eu/