Tableau d’honneur de la Faculté des études supérieures et postdoctorales, 2007-2008. / La présente thèse porte sur la formation de concepts dans une tâche de catégorisation de stimuli visuels multidimensionnels. Elle s'intéresse particulièrement à l'apprentissage dans une tâche de catégorisation de stimuli constitués de caractéristiques séparables psychologiquement et permettant un traitement analytique. Les deux principales questions de recherche portent sur l'apprentissage de règles logiques de classification. La première question s'intéresse au lien entre la représentation logique d'un concept et le niveau de difficulté observé pour apprendre celui-ci. La deuxième question porte sur la modélisation du processus de vérification d'une règle. Les résultats démontrent que la difficulté subjective des concepts ne correspond pas toujours à leur description algébrique minimale, mais s'explique mieux dans certains cas par l'emploi de règles non-minimales. L'occurrence de ces règles non-minimales est expliquée par un processus d'apprentissage par tests d'hypothèses (Nosofsky, Palmeri et McKinley, 1994). Ce projet vise à modéliser les temps de réponse, les proportions de choix et des jugements de typicité des stimuli dans une tâche de catégorisation. Le cadre théorique proposé s'inspire des travaux de Martin et Caramazza (1980) et de Trabasso, Rollins et Shaughnessy (1971). Cette approche consiste à approximer des arbres de décision permettant de représenter la série de tests des caractéristiques effectuée pour classifier chacun des stimuli. Ces arbres de décision permettent de décrire le processus de vérification des critères énoncés dans une règle de classification. Le travail de modélisation s'effectue en trois analyses successives. L'Étude I et II modélisent les données de Lamberts (2000) et de Cohen et Nosofsky (2003). Celles-ci permettent de comparer les modèles d'arbres de décision aux deux modèles les plus reconnus du domaine. L'Étude III rapporte une expérience et modélise les résultats à partir d'arbres de décision obtenus par une méthode déductive (Sayeki, 1969). L'utilité prédictive de différents modèles est évaluée à l'aide d'une méthode de validation croisée (Stone, 1974). L'appui en faveur du concept théorique d'arbre décisionnel tient non seulement des excellentes descriptions quantitatives obtenues, mais aussi de sa capacité à prédire comment l'humain généralise ses apprentissages. / The present thesis is about concept formation in a perceptual categorization task with multidimensional stimuli. Its particular focus is on tasks that involve categorizing visual stimuli composed of psychologically separable features allowing analytical processing. The two main research questions relate to the learning of logical classification rules. The first question concerns the link between a concept's logical representation and the level of difficulty for humans to learn that concept. The second question is how to model the rule verification process when attempting to classify a stimulus. Results demonstrate that the subjective difficulty of concepts does not always correspond to their minimal algebraic description and that in some cases it is better explained by non-minimal rules. The occurrence of these non-minimal rules is explained by a learning process described as hypothesis-testing (Nosofsky, Palmeri and McKinley, on 1994). This project aims to model categorization response times, choice proportions, and subjective typicality judgments for each of the different stimuli presented to the participants. The proposed theoretical framework is inspired by that of Martin and Caramazza (1980) and by Trabasso, Rollins and Shaughnessy (1971). This approach consists in approximating decision trees that represent the sequence of feature tests performed when classifying each of the stimuli. Decision trees describe the verification process of the criteria expressed in a classification rule. The present modeling effort consists in three successive analyses. Study I and II attempt to model the data of Lamberts (2000) and Cohen and Nosofsky (2003). These studies compare the accounts of decision tree models to those from the two most successful models in the field. Study III reports an experiment and attempts to model the results using decisions trees obtained by a deductive method (Sayeki, 1969). The predictive utility of decision tree models is estimated by means of a cross validation procedure (Stone, 1974). The theoretical value of the concept of decision trees comes not only from the excellent quantitative descriptions obtained, but also from its capability to predict how human beings classify novel instances.