Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Notre étude est bipartite. En premier lieu nous avons effectué une étude empirique des différences entre les processus de catégorisation explicite (verbalisable) et implicite (non-verbalisable). Nous avons examiné la difficulté et le temps nécessaire pour apprendre trois tâches de catégorisation dites par air de famille, par règle logique conjonctive et par règle logique disjonctive. Nous avons ensuite utilisé un réseau neuronal pour modéliser la catégorisation en lui faisant compléter les mêmes tâches. La comparaison entre les deux nous permet de juger de l’adéquation du modèle. Les données empiriques ont montré un effet de la typicité et de la familiarité en accord avec la documentation et nous trouvons que la tâche de catégorisation par règle disjonctive est la plus difficile alors que la tâche de catégorisation par air de famille est la plus facile. La modélisation par le réseau est une réussite partielle mais nous présentons des solutions afin qu’un réseau futur puisse modéliser le processus catégoriel humain efficacement / Our present research was twofold. First, we conducted a study of the differences in the categorization processes between explicit (verbalizable) and implicit (nonverbalizable) tasks. The differentiation was done in term of difficulty and time necessary to learn the rule of the category for family resemblance, conjunctive and disjunctive rules. We then used a neural network to model the categorization and had it complete the same tasks. The comparison between the two gave us insight into how (and if) the network can be used as a model of human categorization. The empirical data confirmed an effect of familiarity and typicality, as supported by previous studies, and we confirmed that the disjunctive task was the hardest to learn for humans while our results point toward the family resemblance task as being the easiest. The modelization by the neural network was partially successful at best but we present options that could permit a next generation neural network to model the categorization process truthfully

Notre étude est bipartite. En premier lieu nous avons effectué une étude empirique des différences entre les processus de catégorisation explicite (verbalisable) et implicite (non-verbalisable). Nous avons examiné la difficulté et le temps nécessaire pour apprendre trois tâches de catégorisation dites par air de famille, par règle logique conjonctive et par règle logique disjonctive. Nous avons ensuite utilisé un réseau neuronal pour modéliser la catégorisation en lui faisant compléter les mêmes tâches. La comparaison entre les deux nous permet de juger de l’adéquation du modèle. Les données empiriques ont montré un effet de la typicité et de la familiarité en accord avec la documentation et nous trouvons que la tâche de catégorisation par règle disjonctive est la plus difficile alors que la tâche de catégorisation par air de famille est la plus facile. La modélisation par le réseau est une réussite partielle mais nous présentons des solutions afin qu’un réseau futur puisse modéliser le processus catégoriel humain efficacement / Our present research was twofold. First, we conducted a study of the differences in the categorization processes between explicit (verbalizable) and implicit (nonverbalizable) tasks. The differentiation was done in term of difficulty and time necessary to learn the rule of the category for family resemblance, conjunctive and disjunctive rules. We then used a neural network to model the categorization and had it complete the same tasks. The comparison between the two gave us insight into how (and if) the network can be used as a model of human categorization. The empirical data confirmed an effect of familiarity and typicality, as supported by previous studies, and we confirmed that the disjunctive task was the hardest to learn for humans while our results point toward the family resemblance task as being the easiest. The modelization by the neural network was partially successful at best but we present options that could permit a next generation neural network to model the categorization process truthfully