Ce cours explore certains des cadres computationnels les plus répandus pour comprendre l’intelligence et la cognition humaines. Les psychologues, parmi d’autres spécialistes des données, doivent composer avec des jeux de données du comportement humain de plus en plus vastes et multidimensionnels. La modélisation cognitive computationnelle vise à comprendre ce type de données comportementales complexes, en construisant des descriptions mathématiques des processus cognitifs latents (cachés) qui produisent les données observées. Au cours de la dernière décennie, les modèles cognitifs computationnels sont devenus déterminants en sciences cognitives pour comprendre, et même prédire, le comportement humain à l’aide de descriptions mathématiques de l’esprit. L’objectif principal de ce cours est de présenter les objectifs, la philosophie et les fondements techniques de la modélisation cognitive computationnelle.
Au fil des cours, les étudiantes et étudiants exploreront divers sujets : théorie de la détection du signal, apprentissage par renforcement, modélisation bayésienne, ajustement de modèles, comparaison de modèles et réseaux de neurones artificiels. Les exemples de modélisation couvrent un large éventail de capacités psychologiques telles que la catégorisation, l’apprentissage, la mémoire, la prise de décision et le raisonnement. À l’issue du cours, ils auront une compréhension plus fine de la façon dont la modélisation computationnelle peut faire avancer les sciences cognitives lorsqu’elle est appliquée de manière adéquate à une question de recherche donnée. Ils acquerront aussi les compétences pour ajuster, évaluer et comparer des modèles cognitifs computationnels afin de mieux comprendre des données comportementales complexes et multidimensionnelles.