Processus de dépannage

Dans le chapitre précédent, nous avons vu la mécanismes que nous utilisons dans la prise de décision, quelque chose de étroitement lié à la façon dont nous abordons un problème. En psychologie cognitive, un problème est une situation dans laquelle il n'y a pas de moyen immédiat et standardisé d'atteindre un objectif, un fait qui est encore compliqué par l'anxiété qu'il déclenche et par les aspects émotionnels de notre inconscient.

structure d'un problème

Face à un problème, notre esprit initie un processus d'identification, le représente, souvent par une image, puis cherche une ligne d'action qui rende possible sa résolution (je visualise le problème et vois comment le résoudre).

Cette façon d'agir rationnellement et qui fait sens logique pour tout le monde, nous verrons comment ce n'est pas toujours celle suivie par l'être humain, cherchant parfois des "raccourcis", heuristiques, moins fiables mais avec moins de dépense d'énergie et de ressources.

Un problème peut être structuré en trois parties :

1. Objectif ou état de but.
2. État initial ou de départ.
3. Opérations pouvant être appliquées pour sa résolution.

Un exemple de problème qui suit cette structure classique se trouve dans Tour de hanoi, où il y a un état objectif de résolution du problème, une situation de départ et une série d'opérations pour passer de l'état initial à l'état final.

types de problèmes

Les problèmes dans lesquels l'état initial et les objectifs finaux sont clairs sont appelés "problèmes bien définis», la tour de Hanoï ou le jeu d'échecs sont des exemples de ce type. Lorsque ce n'est pas le cas, on les appelleproblèmes mal définis» et dans ces cas il est important de trouver les limites, les restrictions de la solution ou des moyens dont nous disposons.

Certains problèmes mal définis se caractérisent par une résolution spontanée, on trouve la solution comme une "lumière qui les révèle", on la voit clairement. Ce phénomène est connu sous le nom de « perspicacité », quelque chose qui est également lié au système visuel. Nous ne pouvons qu'imaginer visuellement ce qui a du sens, ce qui est possible, des représentations mentales liées aux informations que nous stockons dans la mémoire à long terme.

Stratégies de résolution de problèmes

Bien qu'il existe des différences dans les stratégies utilisées pour résoudre les problèmes, il existe un certain nombre d'étapes qui leur sont communes. L'organigramme suivant montre les étapes de base.

Il faut d'abord se faire une représentation du problème puis planifier une solution et la vérifier. Si la solution proposée échoue, vous devez à nouveau représenter le problème sous un autre angle et rechercher une solution qui le résout. Si la solution réussit, elle est exécutée et le problème est clos.

Si la solution n'est pas trouvée, la question se pose de savoir combien de fois il faut repenser le problème, chercher de nouvelles représentations et de nouvelles solutions. Il n'y a pas de réponse claire, mais ce sur quoi la plupart des chercheurs s'accordent, c'est de changer la stratégie de résolution, en utilisant l'une des méthodes que nous présentons ci-dessous. 

l'espace problème

Actuellement, la "théorie de l'espace des problèmes" est utilisée comme la stratégie la plus appréciée pour la résolution de problèmes (Newell et Simon, 1972). Il s'agit de chercher à chaque étape de la structure du problème ce que l'on appelle « l'espace du problème », qui est l'ensemble d'états ou d'alternatives possibles auxquels est confronté le solutionneur de problèmes. Dans la recherche scientifique, où les problèmes sont généralement complexes, le travail se fait dans plusieurs espaces simultanément : l'espace des hypothèses, pour formuler des théories, un espace expérimental, et un espace des données pour interpréter les résultats.

Algorithmes

Dans la plupart des cas, Face à un certain type de problème, on cherche un moyen sûr de le résoudre., nous essayons de suivre une série d'étapes standardisées, une formule, ce que nous appelons un algorithme, qui conduira toujours, tôt ou tard, à la bonne réponse. Les règles de résolution d'une racine carrée sont un exemple d'algorithme.

Les algorithmes sont très efficaces mais ils demandent beaucoup de temps et beaucoup de ressources, tant en mémoire de travail qu'en mémoire à long terme, c'est pourquoi on a vu que la plupart des gens n'utilisent pas d'algorithmes mais préfèrent des approximations plus rapides mais moins sûres, ils sont les heuristiques, que l'on pourrait considérer comme des "raccourcis" pour résoudre des problèmes, pour cette raison les heuristiques se concentrent généralement sur la résolution du problème "en se déplaçant" vers l'objectif ou, par une recherche aléatoire par essai-erreur.

heruistique

Dans les stratégies basées sur l'heuristique, ce que nous appelons "l'analyse moyens-fin" est généralement utilisée, dans laquelle diviser le problème en parties et essayer de résoudre chaque partie séparément, sachant que la résolution partielle est plus faisable que la tentative de résoudre le problème dans son ensemble.

En résolution de problèmes, utilisez les mémoire de travail, un fait qui est confirmé par l'activation des zones préfrontales dorsolatérales ainsi que les expériences cliniques avec des patients présentant des lésions dans cette région, incapables de résoudre des situations telles que la Tour de Hanoï.

Une information qui a intéressé les chercheurs est de savoir s'il y avait des différences dans la structuration et la résolution des problèmes lors de la comparaison des sujets experts et des sujets novices. La principale différence était l'ordonnancement des connaissances, plus superficiel chez les débutants et plus profond et avec des structures plus abstraites chez les experts (Chi, 1981). Une autre différence intéressante était la direction suivie dans la recherche de l'espace problématique. Les experts ont tendance à chercher en avant, de l'état initial à l'état objectif de résolution, par exemple, un médecin expert va des symptômes au diagnostic, tandis que les débutants cherchent en arrière, le diagnostic d'abord puis se dirigent vers les symptômes qui le confirment.

raisonnement analogique

C'est l'une des stratégies les plus utilisées pour résoudre des problèmes. On ne part pas de zéro comme dans le cas précédent, il s'agit de penser à un problème aux caractéristiques similaires qui a été résolu auparavant et dont la solution est utilisée ou adaptée au problème actuel. Un exemple classique de raisonnement analogique est celui qui utilise le système solaire pour expliquer la structure de l'atome ou le cas de la conception de l'antivirus que nous utilisons dans les ordinateurs, où les expériences avec les vaccins antiviraux chez les animaux et chez l'homme sont utilisées.

Le raisonnement analogique permet d'identifier et de transférer des informations structurelles d'un système connu, des virus biologiques, stockés dans la mémoire à long terme, vers un nouveau système, des virus informatiques, hébergés dans la mémoire de travail, où les informations sont traitées, émettent des hypothèses et évaluent si l'analogie est utile pour résoudre le problème. Encore une fois, des représentations mentales de type visuel sont utilisées dans ce type de raisonnement, ce qui est important lorsque l'on travaille avec ces modèles dans des tâches d'apprentissage, tant pour les enfants que pour les adultes, par exemple pour surmonter une phobie ou chez les athlètes qui doivent corriger certaines erreurs dans les mouvements. .

Théories du raisonnement analogique

Deux théories ont été proposées pour expliquer le raisonnement analogique :

• La théorie de la cartographie des structures, TCE, (Falkenhainer 1989).
• Théorie de l'apprentissage et de la déduction avec schémas et analogies, ADEA, (Hummel 1997).

Théorie de la cartographie des structures

Le modèle TCE se compose de deux étapes, dans la première étape, les sources possibles qui ont les caractéristiques superficielles qui apparaissent dans l'objectif sont recherchées dans la mémoire à long terme et dans la deuxième étape, l'évaluation de la qualité de la correspondance entre ce qui a récupéré dans la première étape et le but.

Apprendre la théorie et la déduction avec des schémas et des analogies

Le modèle ADEA utilise un mécanisme de calcul différent qui ressemble aux réseaux de neurones. L'objectif est représenté en termes d'activations de fonctionnalités source : le virus informatique activera, par exemple, les fonctionnalités de dysfonctionnement, de nuisance et de réplication. C'est cette activation simultanée d'un certain nombre de caractéristiques similaires dans la mémoire à long terme qui conduit à la récupération à partir d'une source analogue, comme le virus de la grippe.

Limites du raisonnement analogique

L'une des questions qui restait à déterminer était de savoir si le raisonnement analogique pouvait être simplement un produit de l'attention et de la mémoire de travail ou autre chose.

À l'aide de la neuroimagerie, il a été montré que dans les tâches où la charge de la mémoire de travail augmentait, le cortex pariétal et le cortex préfrontal dorsolatéral étaient activés, comme prévu, mais la situation changeait lorsque la complexité structurelle augmentait alors que la charge de la mémoire de travail était maintenue constante. , dans ce cas le cortex préfrontal antérieur gauche était exclusivement activé.

Avec ces données, il s'ensuit que le raisonnement analogique représente une capacité cognitive qui recrute l'activité du tissu neural à un degré plus élevé que l'attention et la mémoire de travail, donc, en fait, c'est quelque chose de plus.

raisonnement inductif

Nous pouvons le définir comme un processus de pensée qui utilise notre connaissance de circonstances spécifiques et connues pour faire une déduction sur des circonstances inconnues.

La principale particularité de ce type de raisonnement est qu'il n'est pas possible de connaître tous les cas qui existent de cette manière, nous ajoutons de nouvelles connaissances, qui bien que possibles, peuvent être incorrectes. Le raisonnement inductif peut être général ou spécifique.

Raisonnement inductif global ou général

Induction globale ou générale essaie de généraliser des circonstances connues à toutes les circonstances possibles. Burner en 1956, fut l'un de ceux qui étudia le plus l'induction générale, s'inquiétant beaucoup de la façon dont on introduit les hypothèses dans le problème. Une hypothèse est une idée ou une proposition que nous pouvons tester ou tester en recueillant des preuves pour la soutenir ou la réfuter. Ce qui semble simple et évident, n'est pas toujours le cas.

Des questions telles que comment un sujet qui a déduit une règle par induction générale peut-il savoir si cette règle est incorrecte ?

Un exemple classique est celui proposé par Peter Watson : face à la triade des nombres : 2, 4, 6, la majorité des personnes interrogées indiquent comme règle qui relie les trois nombres, celle d'être des nombres pairs avec des incréments de deux unités et , lorsqu'on leur dit que ce n'est pas correct, ils continuent à chercher de nouvelles règles telles que n'importe quel nombre avec une augmentation de deux unités et ils donnent comme exemples, 1-3-5 et, compte tenu du nouveau refus de succès, ils arriveront à des règles qui ont de moins en moins de sens, elles s'éloignent de plus en plus de la bonne réponse, la plus simple et la plus logique, en l'occurrence des « nombres de grandeur croissante ».

Dans cet exemple de l'induction générale, de la triade, nous voyons qu'une induction générale doit être faite à partir d'un ensemble de cas particuliers, mais les sujets tombent généralement dans ce que nous appelons, "erreur de biais de confirmation», ce qui donne du poids aux informations antérieures dont nous disposons, aux croyances préexistantes. Ils trouvent une solution apparemment valide et ils ne confirment pas s'il existe d'autres meilleures solutions et quand on leur dit que ce n'est pas correct, il devient beaucoup plus difficile de trouver l'erreur dans la règle, de découvrir que la règle qu'ils ont proposée était incorrect.

Raisonnement inductif spécifique

Induction spécifique Nous pouvons le représenter par le fait que, en supposant qu'un membre d'une catégorie possède une caractéristique particulière, tous les autres membres de cette catégorie doivent également l'avoir. Cela a un triampÉvidemment, la caractéristique concernée peut ne pas être commune à tous les membres de la catégorie. Bien que cela soit vrai, l'induction spécifique nous permet de faire des inférences utiles sur un membre nouveau ou inconnu de cette catégorie.

Le raisonnement inductif nous permet de mettre à jour nos connaissances, il n'est pas nécessaire de chercher au cas par cas si telle caractéristique particulière est vraie pour tous les membres de la catégorie. Dans la mesure où nous catégorisons un objet dans une certaine catégorie, nous lui attribuons les caractéristiques de cette catégorie.

Bases neurophysiologiques du raisonnement inductif

À la recherche du réseau de neurones qui pourrait expliquer le raisonnement inductif, les lobes frontaux se sont avérés jouer un rôle clé. Lorsqu'il y avait une lésion dans le cortex préfrontal dorsolatéral gauche, les patients étaient incapables de commander des cartes ou d'autres objets, même si la règle à suivre était très simple, comme dans le essai du Wisconsin (Monchi, 2001).

Avec des études de neuroimagerie, il a été observé qu'en plus de l'activation des zones frontales, il y avait également une activation de l'hémisphère gauche, en particulier des régions temporale médiale et parahippocampique, ce qui indique que la mémoire à long terme est impliquée dans ce type de raisonnement. L'induction nécessite que les informations pertinentes soient extraites activement de la mémoire à long terme et que les informations soient conservées dans la mémoire de travail. Ces processus exigent des ressources médiées par les lobes frontaux et temporaux.

Initiation et apprentissage

Une question importante était celle de l'expérience, le fait que le processus cognitif sous-jacent peut changer avec l'expérience. Des études de neuroimagerie montrent que lorsqu'on demande à un sujet d'effectuer une tâche de classification d'objets, les régions frontales et pariétales de l'hémisphère droit sont essentiellement stimulées mais, au fur et à mesure que le processus d'apprentissage progresse, l'activité commence à être enregistrée dans l'hémisphère droit. hémisphère, spécifiquement dans le lobe pariétal gauche et le cortex préfrontal dorsolatéral gauche. Cela suggère que dans la première phase de la tâche de classification, celles-ci sont essentiellement réalisées en traitant les modèles visuels du stimulus, tandis que lorsque l'apprentissage progresse, une règle abstraite commence à être formulée qui améliore le processus de classification, l'apprentissage est accéléré.

Fungelsang et Dunbar (2005) ont examiné avec l'IRMf les mécanismes par lesquels nous intégrons des données lorsque nous testons des hypothèses spécifiques. Ils ont constaté que lorsque les sujets examinaient des données d'intérêt pour une hypothèse plausible, les régions du noyau caudé et du gyrus parahippocampique étaient préférentiellement activées. En revanche, lorsque les sujets examinaient des données liées à une hypothèse invraisemblable, des régions du cortex cingulaire antérieur, du précunens et du cortex préfrontal gauche étaient sélectivement activées.

Dans le cas d'hypothèses plausibles, les régions neurales activées sont celles impliquées dans l'apprentissage, la mémoire à long terme et le processus d'intégration de l'information. Avec ces données, nous pouvons déduire que le processus d'apprentissage, d'intégration de nouvelles informations, s'améliore s'il est conforme à une hypothèse plausible. De la même manière, le cortex cingulaire antérieur, activé en cas d'hypothèses invraisemblables, a été largement impliqué dans la détection des erreurs et des situations conflictuelles.

Ces auteurs suggèrent que lors du raisonnement inductif, le cerveau humain recrute des régions liées à l'apprentissage, lorsqu'il évalue des données cohérentes avec des hypothèses préexistantes, alors qu'il recrute d'autres régions lorsqu'il s'agit de détection d'erreurs, lorsqu'il évalue des données non cohérentes. .avec les hypothèses. Cette distinction est importante lorsqu'on propose, par exemple, des plans d'études en enfance.

Raisonnement déductif

Dans ce type de raisonnement on va de haut en bas, on part de certaines prémisses que l'on considère comme vraies et donc, la conclusion ne peut pas être fausse (contrairement au raisonnement inductif). Ce type de raisonnement est celui qui représente le plus fidèlement la pensée rationnelle. Le processus mental est étroitement lié aux syllogismes, un argument composé de deux énoncés et d'une conclusion. La conclusion peut être vraie ou fausse, mais si elle suit les lois de la logique déductive, ce sera toujours une conclusion valide.

syllogismes

Les syllogismes peuvent être catégoriques ou conditionnels.

Les catégories ont la forme :

• Prémisse 1 : Tous les A sont des B.
• Prémisse 2 : C est un A
• Conclusion : C est B

La relation entre les termes d'un syllogisme catégorique peut être décrite par quatre types d'énoncés :

1. Affirmation universelle : tous les A sont des B
2. Négation universelle : Non A n'est pas B
3. Affirmation particulière : Certains A sont B
4. Négation particulière : un certain A n'est pas un B

Dans l'exemple de l'achat d'une voiture, nous pourrions écrire le syllogisme ainsi :

1. Prémisse 1 : Tous les porches sont fiables
2. Prémisse 2 : Le Boxster est une Porsche
3. Conclusion : le Boxster est fiable

syllogismes conditionnels

Dans le cas des syllogismes conditionnels, ils font écho à la situation : l'occurrence d'un événement peut être conditionnée par l'occurrence d'un autre. Comme dans le catégorique, les syllogismes conditionnels consistent en deux prémisses et la conclusion.

La première prémisse est toujours du type "si P alors Q", où P est une condition antécédente et Q une condition conséquente.

La deuxième prémisse peut avoir l'une des quatre formes suivantes : Assertion d'antécédent : P est vrai, Négation d'antécédent : P n'est pas vrai, Assertion conséquente : Q est vrai et Négation conséquente : Q n'est pas vrai.

Dans ce cas, l'exemple d'achat de la voiture serait :

1. Prémisse 1 : Si la voiture est une Porsche, alors elle est fiable.
2. Prémisse 2 : Le Boxster est une Porsche
3. Conclusion : le Boxster est fiable

Dans P1, "Porche" est l'antécédent et "est fiable" le conséquent. En P2, dans l'exemple, l'antécédent affirme, donc, la conclusion « est fiable », s'ensuit logiquement.

Erreurs dans le raisonnement déductif

Bien que le raisonnement déductif soit très fiable, nous pouvons faire des erreurs, généralement parce que nous le posons mal, mais il est difficile de voir précisément parce que nous pensons que c'est le type de raisonnement le plus véridique. Il existe essentiellement deux types d'erreurs : les erreurs de forme (erreurs de forme structurelle ou de format de la relation entre la prémisse et la conclusion) et les erreurs de contenu (lorsque le contenu du syllogisme est trop influent).

erreurs de formulaire

Dans les erreurs de forme, un type d'erreur très fréquent est ce que nous appelons "effet de l'environnement», dans laquelle une conclusion est acceptée comme valide si elle contient le même quantificateur (certains, tous ou pas), qui apparaît dans les prémisses. Cette situation induit une humeur générale ou « ambiance », d'où son nom, qui nous amène à accepter à tort une conclusion.

Avant la conclusion "tous les A sont des C", les prémisses suivantes suivent nécessairement, "tous les A sont des B" et "tous les B sont des C". Si cambiamos el cuantificador “todo” por el de “ninguno” tenemos: “ningún A es B”, ningún B es C y la conclusión: ningún A es C. Esta otra forma parece igualmente valida, como la primera, pero veremos que no ça l'est.

Si on prend des exemples réels, le syllogisme avec "aucun" serait :

1. Prémisse 1 : Aucun humain n'est une voiture
2. Prémisse 2 : Aucune voiture n'est un médecin
3. Conclusion : aucun humain n'est médecin

Il est évident que la conclusion est valide mais elle est incorrecte dans le monde réel.

biais de correspondance

Dans les erreurs de formulaire, nous avons également ce qu'on appelle "biais de correspondance», très courant dans le raisonnement conditionnel et dans lequel une conclusion est acceptée comme valide, si elle contient la structure syntaxique des prémisses ou l'un des termes de celles-ci. 
L'effet d'environnement et le biais d'appariement indiquent tous deux le fort impact de la structure syntaxique. Dans les deux cas nous sommes fortement influencés par les quantificateurs qui sont utilisés dans les locaux. Il semble que cela soit dû au fait que certains objets dans les énoncés catégoriques et conditionnels, tels que les quantificateurs formels, attireraient fortement notre attention. Nous nous attendons toujours à ce que les informations que nous recevons soient adéquates et, par conséquent, nous nous attendons à ce que le quantificateur soit critique, par conséquent, étant donné la préférence de prêter attention aux mots du quantificateur dans les prémisses, et de les donner comme valides, puisque le même quantificateur apparaît dans les prémisses.conclusions, elles sont également acceptées comme valables.

erreurs de contenu

Outre les erreurs de forme, il y a les erreurs de contenu, que nous commettons souvent lorsque nous nous concentrons sur la vérité ou la fausseté d'énoncés individuels dans le syllogisme, ignorant le lien logique entre les énoncés. On le voit dans les études qui présentent de faux syllogismes dont les conclusions contiennent parfois des énoncés vrais. (Markovits 1989). Nous sommes susceptibles d'accepter une conclusion comme logiquement valide si les prémisses et la conclusion sont des déclarations vraies. 
Parallèlement à ces erreurs, nous trouvons également celles qui sont commises lorsque nous accordons du crédit à nos croyances. La tendance à être plus susceptible d'accepter une conclusion « crédible » qu'une conclusion « incroyable » est un phénomène très courant dans la vie de tous les jours et est fortement ancré dans nos croyances culturelles.

Enfin, il semble de plus en plus admis que bon nombre des erreurs commises dans le raisonnement déductif sont dues à des limitations de la mémoire de travail.

Des études sur les théories du raisonnement déductif, conduisent à admettre qu'il existe naturellement, un processus d'analyse mentale qui évalue la validité des prémisses et des conclusions, que nous sommes nés avec ce substrat, avec cette capacité, cependant, la limitation qui marque la capacité de la mémoire de travail fait que l'on n'utilise pas toujours les règles de la logique et se tourne vers les heuristiques, des raccourcis qui économisent de l'énergie et des ressources mais qui nous font facilement tomber dans des erreurs, comme celles que nous avons vues lors de la description des erreurs d'environnement, biais d'appariement , et basée sur la croyance. On finit par choisir ce qui nous semble le plus crédible.

Aspects neurophysiologiques du raisonnement déductif

Les études de neuroimagerie au cours du processus de raisonnement déductif ont initialement montré des résultats contradictoires. On pensait que des zones plus liées à une base linguistique seraient activées, mais il a été observé que des zones liées à des modèles spatiaux étaient également activées. La conclusion à laquelle on parvient est que lorsqu'un raisonnement déductif se produit avec un matériel familier, on utilise des ressources neuronales de l'hémisphère gauche, liées à des modèles linguistiques, tandis que si le matériel est plus complexe, des modèles de construction visuo-spatiaux sont nécessaires et les régions de l'hémisphère droit. sont activés.

L'implication des bases linguistiques dans le raisonnement déductif, dans la génération d'erreurs, est quelque chose de bien connu et mis en évidence par divers auteurs, notamment Chomsky dans sa grammaire transformationnelle, lorsqu'il traite des phrases ambiguës et de leur capacité à générer des erreurs d'interprétation. Je considère que le sujet est assez important pour en faire un article monographique. J'espère tenir cette promesse plus tard.

Prise de décision et système visuel

Nous avons déjà vu comment modèles de vision descendante, comme ceux proposés par les chercheurs en Gestalt, présenteraient une certaine similitude avec les modèles déductifs.

Les informations que nous stockons dans la mémoire à long terme, la construction générée à la suite de l'expérience, la représentation mentale des objets que nous gardons, agit comme un "guide" sur les nouvelles informations qui entrent à chaque instant.

Le modèle de représentation interne aide à identifier les objets qui nous sont présentés. Filtrage des données, bords, colores et formes, suppose beaucoup d'informations qu'il faut intégrer pour identifier les objets et dans ce processus de constitution, de catégorisation, les représentations internes marquent les règles de regroupement pour « déduire » de quels objets il s'agit.

Ce mécanisme de vision descendante est essentiel car il nécessite beaucoup moins d'énergie et permet d'identifier les objets beaucoup plus rapidement, presque automatiquement. On voit l'importance dans des exemples de la vie quotidienne comme le cas de proposer un dépassement en voiture, on identifie les véhicules qui circulent dans les deux sens, on calcule les trajectoires, les distances et le temps qu'il faut pour dépasser, presque immédiatement, quoi qui c'est gagner en efficacité et en sécurité.

Une fois que nous avons vu les mécanismes mentaux que nous utilisons dans la prise de décision et la résolution de problèmes, nous sommes prêts à aborder les processus mentaux qui mènent à l'action, notamment à l'aide du système visuel, ce que nous développerons au chapitre suivant.