Modèles neuro-informatiques de la représentation des tâches

La cognition humaine est intentionnelle. Nous pouvons orienter notre esprit vers l'atteinte d'un objectif particulier désiré, en ignorant les distractions et en surmontant les habitudes contre-productives. Pourtant, elle est aussi multi-fonctionnelle. Nous ne sommes pas enfermés de manière permanente à poursuivre un objectif unique, ni même un petit nombre d'objectifs. À mesure que les motivations et les circonstances changent, nous pouvons flexiblement orienter notre esprit vers des objectifs plus appropriés. Comment le cerveau parvient-il à ce « réglage » et « réajustement » — cette capacité de contrôle cognitif ? De plus en plus, les neuroscientifiques cognitifs se concentrent sur l'étude des représentations qui sous-tendent le contrôle cognitif, formalisant leurs idées dans des modèles neuro-informatiques (Botvinick et Cohen, 2014). Deux modèles distincts de représentations de tâches ont été très influents : Guided Activation (Miller et Cohen, 2001) et Adaptive Coding (Duncan, 2001) via Random Mixed Selectivity (Rigotti et al., 2013). Bien que ces modèles aient plusieurs points communs — tous deux postulent que le cortex préfrontal (CPF) conduit le comportement contrôlé par le biais des représentations des tâches — ils diffèrent considérablement quant aux représentations qu'ils proposent, et reflètent plus généralement des philosophies divergentes de compréhension de la fonction cérébrale. Nous offrons ici une revue de la recherche cognitive sur le contrôle cognitif, en mettant l'accent sur le rôle des représentations des tâches. Un examen détaillé des modèles Guided Activation, Adaptive Coding et Random Mixed Selectivity est présenté, dans lequel les modèles sont évalués par rapport à la littérature expérimentale existante et comparés concernant des questions plus larges relatives aux représentations des tâches.