Orateur : Alandra Zakkour
Établissement : Université de Poitiers (France)
Dates : 2024-12-10 – 2024-12-10
Heures : 09:30 – 11:30
Lieu : CeRCA BAT A5
Résumé :
La recherche sur les processus cognitifs, notamment ceux liés à la production écrite, exige une analyse rigoureuse des temps de réaction. L’un des défis majeurs réside dans la gestion des données manquantes. Nous avons abordé ce problème en utilisant un Modèle Linéaire à Effets Mixtes (LMEM), couramment employé dans les études cognitives, auquel nous avons intégré un algorithme stochastique basé sur la méthode de l’Espérance-Maximisation (EM), plus précisément l’algorithme d’Espérance-Maximisation Stochastique (SEM). Bien que la distribution Ex-Gaussienne (Ex-Gauss) soit avantageuse pour modéliser les temps de réaction, l’obtention d’estimations fiables reste complexe en raison des biais liés aux valeurs aberrantes. Pour y remédier, nous avons eu recours à l’inférence bayésienne et proposé la méthode Bootstrap pour améliorer l’initialisation des paramètres. De plus, nous avons mis en place une méthode d’augmentation des données afin de pallier le problème des données manquantes, particulièrement en l’absence d’une grande base de données. Nous avons exploré les modèles de mélange pour analyser les pauses dans la production écrite, en comparant divers scénarios pour déterminer le nombre de mélanges, leur nature (additif ou multiplicatif), la distribution la plus appropriée (Ex-Gauss, Ex-Wald ou Log-Normale), ainsi que l’impact des variables externes sur l’estimation des modèles. Enfin, nous avons ouvert la voie à l’utilisation du calcul quantique (q-calcul) en remplacement du calcul classique pour explorer la densité Ex-Gauss, nommée q-Ex-Gauss. Nous avons obtenu la forme générale de cette densité, qui servira ensuite de fonction de base pour analyser les temps de réaction, afin de déterminer si le q-calcul peut fournir des estimations plus efficaces que le calcul classique.