La loi de Fitts, qui relie le temps de mouvement MT dans une tache de pointage aux dimensions de la cible visée D et W est usuellement exprimée à partir d’une imitation de la formule de la capacité de Shannon MT = a + b log 2 (1 + D/W). Toutefois, l’analyse actuelle est insatisfaisante: elle provient d’une simple analogie entre la tache de pointage et la transmission d’un signal sur un canal bruité sans qu’il n’y ait de modèle explicite de communication.Je développe d’abord un modèle de transmission pour le pointage, où l’indice de difficulté ID = log 2 (1 + D/W) s’exprime aussi bien comme une entropie de source et une capacité de canal, permettant ainsi de réconcilier dans un premier temps l’approche de Fitts avec la théorie de l’information de Shannon. Ce modèle est ensuite exploité pour analyser des données de pointage récoltées lors d’expérimentations contrôlées mais aussi en conditions d’utilisations réelles.Je développe ensuite un second modèle, focalisé autour de la forte variabilité caractéristique du mouvement humain et qui prend en compte la forte diversité des mécanismes de contrôle du mouvement: avec ou sans voie de retour, par intermittence ou de manière continue. À partir d’une chronométrie de la variance positionnelle, évaluée à partir d’un ensemble de trajectoires, on remarque que le mouvement peut-être découpé en deux phases: une première où la variance augmente et une grande partie de la distance à couvrir est parcourue, est suivie d’une deuxième au cours de laquelle la variance diminue pour satisfaire les contraintes de précision requises par la tache.Dans la deuxième phase, le problème du pointage peut-être ramené à un problème de communication à la Shannon, où l’information est transmise d’une“source” (variance à la fin de la première phase) à une “destination” (extrémité du membre) à travers un canal Gaussien avec la présence d’une voie de retour.Je montre que la solution optimale à ce problème de transmission revient à considérer un schéma proposé par Elias. Je montre que la variance peut décroitre au mieux exponentiellement au cours de la deuxième phase, et que c’est ce résultat qui implique directement la loi de Fitts. / Fitts’ law, which relates movement time MTin a pointing task to the target’s dimensions D and Wis usually expressed by mimicking Shannon’s capacityformula MT = a + b log 2 (1 + D/W). Yet, the currentlyreceived analysis is incomplete and unsatisfactory: itstems from a vague analogy and there is no explicitcommunication model for pointing.I first develop a transmission model for pointing taskswhere the index of difficulty ID = log 2 (1 + D/W) isthe expression of both a source entropy and a chan-nel capacity, thereby reconciling Shannon’s informa-tion theory with Fitts’ law. This model is then levera-ged to analyze pointing data gathered from controlledexperiments but also from field studies.I then develop a second model which builds on thevariability of human movements and accounts for thetremendous diversity displayed by movement control:with of without feedback, intermittent or continuous.From a chronometry of the positional variance, eva-luated from a set of trajectories, it is observed thatmovement can be separated into two phases: a firstwhere the variance increases over time and wheremost of the distance to the target is covered, follo-wed by a second phase where the variance decreasesuntil it satisfies accuracy constraints. During this se-cond phase, the problem of aiming can be reduced toa Shannon-like communication problem where infor-mation is transmitted from a “source” (variance at theend of the first phase), to a “destination” (the limb ex-tremity) over a “channel” perturbed by Gaussian noisewith a feedback link. I show that the optimal solution tothis transmission problem amounts to a scheme firstsuggested by Elias. I show that the variance can de-crease at best exponentially during the second phase,and that this result induces Fitts’ law.

La prise de décision entre différentes actions potentielles implique une activité coordonnée dans diverses régions corticales telles que le cortex préfrontal, prémoteur, pariétal et moteur primaire, ainsi que dans des régions sous-corticales interconnectées au sein des ganglions de la base (« basal ganglia », BG). Malgré de nombreuses recherches visant à comprendre le rôle causal de chacune de ces régions dans les processus de prise de décision, la contribution précise des ganglions de la base reste un sujet de débat vigoureux. Il n'est toujours pas clair si les BG joue un rôle primaire dans la délibération entre les choix ou contrôle le compromis vitesse-précision (« speed-accuracy trade-off », SAT) dans la sélection et même l'exécution des actions. Dans cette mémoire, pour étudier cette question, nous avons développé un modèle de réseau neuronal simplifié qui régit la compétition entre les actions potentielles tout en gérant le SAT en ajustant un "signal d'urgence" dépendant du contexte dans les BG. Notre modèle reproduit plusieurs phénomènes clés observés dans des expériences récentes visant à dissocier les processus de délibération et d'engagement. Nos résultats suggèrent que dans une tâche bien pratiquée, contrairement aux régions corticales prémoteur et moteur, le globus pallidus internus (GPi) ne contribue pas au processus de délibération mais contrôle plutôt le SAT et, grâce à son rétrocontrôle positif avec les régions corticales, joue un rôle causal dans l'engagement à un choix. Le modèle simule également les effets des décisions retardées avec une microstimulation électrique non spécifique dans les régions corticales, les décisions biaisées avec une stimulation optogénétique spécifique au choix dans le GPi, et l'effet limité de l'inactivation du GPi sur les décisions prises dans des conditions avec des preuves sensorielles fortes. En résumé, notre modèle propose une réponse simple et testable à la question de longue date de savoir comment le cortex et le BG mettent en oeuvre ensemble les décisions sur l'action. / Deciding between potential actions involves coordinated activity across various cortical areas such as the prefrontal, premotor, parietal, and primary motor cortex, as well as interconnected subcortical regions within the basal ganglia (BG). Despite extensive research aimed at understanding the causal role of each of these regions in decision-making processes, the precise contribution of the basal ganglia remains a topic of vigorous debate. It is still not clear whether the BG plays a primary role in deliberation between the choices or controls the speed-accuracy trade-off (SAT) in selecting and even executing the actions. In this thesis, to address this question, we developed a simplified neural network model that governs the competition between potential actions while managing the SAT by adjusting a context-dependent “urgency signal” in BG. Our model replicates several key phenomena observed in recent experiments designed to dissociate the processes of deliberation and commitment. Our results suggest that in a well-practiced task, unlike premotor and motor cortical regions, globus pallidus internus (GPi) does not contribute to the process of deliberation but instead controls the SAT and, through its positive feedback with cortical regions, plays a causal role in committing to a choice. The model also simulates the effects of delayed decisions with non-specific electrical microstimulation in cortical regions, biased decisions with choice-specific optogenetic stimulation in GPi, and the limited effect of GPi inactivation on decisions made in conditions with strong sensory evidence. In summary, our model proposes a simple and testable answer to the long-standing question of how the cortex and BG together implement decisions about action.

La prise de décision est un processus computationnel fondamental dans de nombreux aspects du comportement animal. Le modèle le plus souvent rencontré dans les études portant sur la prise de décision est appelé modèle de diffusion. Depuis longtemps, il explique une grande variété de données comportementales et neurophysiologiques dans ce domaine. Cependant, un autre modèle, le modèle d’urgence, explique tout aussi bien ces mêmes données et ce de façon parcimonieuse et davantage encrée sur la théorie. Dans ce travail, nous aborderons tout d’abord les origines et le développement du modèle de diffusion et nous verrons comment il a été établi en tant que cadre de travail pour l’interprétation de la plupart des données expérimentales liées à la prise de décision. Ce faisant, nous relèveront ses points forts afin de le comparer ensuite de manière objective et rigoureuse à des modèles alternatifs. Nous réexaminerons un nombre d’assomptions implicites et explicites faites par ce modèle et nous mettrons alors l’accent sur certains de ses défauts. Cette analyse servira de cadre à notre introduction et notre discussion du modèle d’urgence. Enfin, nous présenterons une expérience dont la méthodologie permet de dissocier les deux modèles, et dont les résultats illustrent les limites empiriques et théoriques du modèle de diffusion et démontrent en revanche clairement la validité du modèle d'urgence. Nous terminerons en discutant l'apport potentiel du modèle d'urgence pour l'étude de certaines pathologies cérébrales, en mettant l'accent sur de nouvelles perspectives de recherche. / Decision‐making is a computational process of fundamental importance to many aspects of animal behavior. The prevailing model in the experimental study of decision‐making is the drift‐diffusion model, which has a long history and accounts for a broad range of behavioral and neurophysiological data. However, an alternative model – called the urgency‐gating model – has been offered which can account equally well for much of the same data in a more parsimonious and theoretically‐sound manner. In what follows, we will first trace the origins and development of the DDM, as well as give a brief overview of the manner in which it has supplied an explanatory framework for a large number of behavioral and physiological studies in the domain of decision‐making. In so doing, we will attempt to build a strong and clear case for its strengths so that it can be fairly and rigorously compared to potential alternative models. We will then re‐examine a number of the implicit and explicit theoretical assumptions made by the drift‐diffusion model, as well as highlight some of its empirical shortcomings. This analysis will serve as the contextual backdrop for our introduction and discussion of the urgency‐gating model. Finally, we present a novel experiment, the methodological design of which uniquely affords a decisive empirical dissociation of the models, the results of which illustrate the empirical and theoretical shortcomings of the drift‐diffusion model and instead offer clear support for the urgency‐gating model. We finish by discussing the potential for the urgency gating model to shed light on a number of clinical disorders, highlighting a number of future directions for research.