Orateur : Alandra Zakkour
Établissement : Université de Poitiers (France)
Dates : 2024-11-28 – 2024-11-28
Heures : 14:00 – 14:00
Lieu : Salle 0-1
Résumé :
La recherche sur les processus cognitifs, en particulier ceux liés à la production écrite, nécessite une analyse rigoureuse des temps de réaction. L’un des principaux défis réside dans la gestion des données manquantes. Pour aborder ce problème, nous avons utilisé un Modèle Linéaire à Effets Mixtes (LMEM), largement adopté dans les études cognitives, auquel nous avons associé un algorithme stochastique fondé sur la méthode de l’Espérance-Maximisation (EM), et plus précisément, l’algorithme d’Espérance-Maximisation Stochastique (SEM).
Bien que la distribution Ex-Gaussienne soit favorable pour modéliser les temps de réaction, l’obtention d’estimations fiables demeure complexe en raison des biais induits par les valeurs aberrantes. Afin de pallier ce problème, nous avons intégré l’inférence bayésienne et proposé l’utilisation de la méthode Bootstrap pour améliorer l’initialisation des paramètres. En outre, nous avons développé une méthode d’augmentation des données pour répondre à la question des données manquantes, notamment en l’absence d’une base de données conséquente.
Par ailleurs, nous avons exploré les modèles de mélange pour analyser les pauses dans la production écrite, en comparant divers scénarios afin de déterminer le nombre optimal de mélanges, leur nature (additif ou multiplicatif), la distribution la plus adaptée (Ex-Gauss, Ex-Wald ou Log-Normale) et l’impact des variables externes sur l’estimation des modèles.
Enfin, nous avons initié l’utilisation du calcul quantique (q-calcul) en alternative au calcul classique pour analyser la densité Ex-Gauss, conduisant ainsi à la formulation de la q-Ex-Gauss. La forme générale de cette densité servira de base pour une analyse plus approfondie des temps de réaction, afin de déterminer si le q-calcul peut fournir des estimations plus efficaces que les méthodes classiques.