Flexibilité cognitive versus stabilité via des adaptations basées sur l'activation et sur les poids

Pourquoi il est important d'équilibrer concentration et flexibilité

La vie quotidienne nous oblige sans cesse à jongler entre rester concentré sur une tâche et changer rapidement d'objectif. Cuisiner le dîner, par exemple, demande une grande concentration pour découper avec un couteau bien affûté, tout en exigeant de la flexibilité pour passer de la vérification d'une casserole au remuage d'une sauce ou à la recherche d'ingrédients. Cet article examine comment ces équilibres mentaux pourraient fonctionner en construisant un modèle informatique qui imite la façon dont les humains décident quand persister sur une tâche et quand basculer, éclairant ainsi la pensée saine et les troubles où cet équilibre se dégrade.

La lutte entre persistance et basculement

Les psychologues décrivent cette tension comme un compromis entre stabilité cognitive (rester concentré sur une tâche) et flexibilité cognitive (changer de tâche lorsque c'est nécessaire). Les personnes ajustent ce compromis en fonction de la situation : lorsque les changements sont fréquents, elles ont tendance à être plus prêtes à basculer ; lorsque les tâches se répètent généralement, elles adoptent un mode plus stable. Ces ajustements peuvent se produire rapidement en quelques minutes, mais aussi lentement sur plusieurs jours à mesure que nous apprenons quels environnements ou quelles tâches exigent habituellement plus de flexibilité. La question centrale de l'article est de comprendre comment ces formes d'ajustement rapides et lentes peuvent s'expliquer par un mécanisme unique et cohérent.

Un modèle d'apprentissage du contrôle mental

Les auteurs présentent le modèle Learning Control Dynamics (LCD), fondé sur un type populaire de réseau neuronal récurrent appelé long short-term memory (LSTM). Plutôt que d'implanter de manière fixe une unité de « contrôle » spéciale, ils laissent le réseau apprendre à se contrôler lui-même. Le modèle est entraîné sur une configuration classique de changement de tâche : à chaque essai il voit un ensemble de nombres, un indice indiquant lequel juger comme plus grand ou plus petit qu'un seuil, et parfois un signal supplémentaire d'« environnement ». Le modèle doit apprendre deux choses : comment effectuer chaque jugement individuel, et comment ajuster ses réglages internes de contrôle pour soit répéter efficacement la même tâche, soit passer en douceur à une tâche différente.

Des changements d'état rapides versus des changements d'habitude lents

À l'intérieur du modèle, deux types de changement peuvent se produire. Le premier est basé sur l'activation : le motif d'activité momentané peut dériver vers la tâche actuellement pertinente et s'éloigner de la précédente. Cela fournit une forme d'adaptation rapide mais fragile qui dépend de ce qui vient de se passer. Le second est basé sur les poids : la force des connexions dans le réseau est lentement ajustée de sorte que certaines situations créent des « vallées de tâche » profondément ancrées qui encouragent la persistance, tandis que d'autres créent des vallées plus peu profondes qui facilitent le basculement. Les auteurs montrent dans des simulations que les changements rapides seuls peuvent déjà produire des coûts de changement réduits dans les situations à changements fréquents, tandis que les modifications lentes des poids du réseau reconfigurent de façon durable la facilité avec laquelle le modèle bascule ou reste, même lorsque les conditions courantes sont identiques.

Apprendre quand la flexibilité est nécessaire

L'étude examine ensuite si le modèle peut apprendre à utiliser des signaux du monde extérieur pour décider de son niveau de flexibilité. Dans un ensemble de simulations, différents « environnements » artificiels étaient de manière consistante associés soit à des changements de tâche fréquents soit rares. Avec le temps, le modèle a appris à répondre à ces indices d'environnement : dans les environnements à changements fréquents, ses représentations internes des tâches devenaient plus chevauchantes et il passait plus rapidement de l'une à l'autre ; dans les environnements à faible changement, ces représentations étaient plus séparées et la répétition d'une même tâche devenait particulièrement forte. Dans un autre ensemble de simulations, le modèle a appris que certaines tâches spécifiques étaient généralement celles qui changeaient, tandis que d'autres avaient tendance à se répéter. Il a alors appliqué ses ajustements de contrôle de manière plus fine, tâche par tâche, en fonction non seulement de l'essai courant, mais aussi de la tâche qu'il venait d'effectuer.

Relier le modèle au comportement humain

Pour tester si ces idées pouvaient décrire de vraies personnes, les auteurs ont réanalysé des données de plus de 100 volontaires qui ont réalisé une expérience similaire de changement de tâche. Les participants humains, comme le modèle, présentaient des coûts de changement plus faibles dans des contextes et après des tâches qui étaient souvent associées à des basculements. La réanalyse soutient également la prédiction du modèle selon laquelle certaines des modifications les plus révélatrices n'apparaissent pas simplement sur une tâche donnée, mais sur l'essai qui la suit — ce qui suggère que les personnes conservent des attentes spécifiques à chaque tâche quant à la probabilité de devoir faire preuve de flexibilité ensuite.

Ce que cela signifie pour notre compréhension de la pensée

En termes simples, l'article soutient que notre capacité à équilibrer concentration et flexibilité repose sur deux processus imbriqués : un ajustement rapide et de court terme qui dépend de ce que nous venons de faire, et un réglage plus lent fondé sur l'apprentissage de nos « paramètres » mentaux en fonction des environnements et des tâches que nous rencontrons régulièrement. En montrant comment les deux peuvent émerger dans un même modèle de réseau neuronal et correspondre aux données humaines, le travail propose une feuille de route concrète sur la manière dont l'esprit peut sculpter et réarranger ses propres habitudes de pensée pour répondre à des demandes changeantes.

Citation: Xu, S., Verguts, T. & Braem, S. Cognitive flexibility versus stability via activation-based and weight-based adaptations. Commun Psychol 4, 58 (2026). https://doi.org/10.1038/s44271-026-00397-9

Mots-clés: flexibilité cognitive, changement de tâche, modèle de réseau neuronal, contrôle cognitif, comportement adaptatif