Exploring mechanisms of typical and abnormal cognitive development: neurodevelopmental computational models of theory of mind and general intelligence

A useful approach to better understand the mechanisms underlying cognitive development has been that of constructive artificial neural networks (CANNs). This thesis presents several CANN models that contribute to our understanding of two typical and abnormal developmental phenomena.The first two manuscripts explore the mechanisms underlying false-belief (FB) task transitions. Typically-developing preschoolers go through two transitions on verbal FB tasks, in which they have to say where an agent will search to find (approach) or avoid (avoidance) an object that was moved from location A to location B in the agent's absence. Transition 1 occurs as children go from failure to success on the approach task, and Transition 2 occurs as children go from succeeding only at approach to succeeding also at avoidance tasks. Are these transitions due to learning about beliefs or to other factors? The first manuscript presents a model of a non-verbal FB task (which uses looking time rather than a verbal measure). The model captured the transitions observed with verbal tasks, predicting that transitions would be observed on non-verbal tasks. Results suggest that initial failure could be due to observing more true-belief (TB) than FB searches, and that Transition 1 may not be due to learning about beliefs but to overcoming default TB attributions by learning to distinguish FB from TB situations. Results also suggest Transition 2 may be due to avoidance goals being represented by more varied behaviour than approach goals.Autistic children usually fail at verbal approach FB tasks, even when they are older than the typical age of success. The second manuscript explores the impact of simulating specific autistic deficits on Transition 1. First, it is thought that social deficits in autism may be related to abnormal connectivity between the brain regions used in FB tasks. I explored this hypothesis by impairing in one group of networks the connectivity of the input unit providing the information about the agent, while in a second group of networks I impaired a start or end location input unit. Results suggest that the information from the agent node is computationally crucial to Transition 1, as only the first group had impaired performance. I next simulated the decreased autistic attention to social stimuli by replacing a random half of all network training patterns by random patterns, simulating observations of random situations. Because there is currently some doubt as to whether specific, early behavioural treatment of autism improves later deficits, I simulated different times of treatment by manipulating the duration of the attention impairment in networks. As the duration of the impairment was reduced, performance progressively improved, showing that computationally, early treatment can be beneficial for autism. In the third manuscript, I explored whether white-matter integrity (WMI) could be manipulated to simulate a range of performances on Raven's Standard Progressive Matrices (SPM), a popular test of intelligence requiring subjects to analyze a matrix to find which figure, out of a few alternatives, best fits the missing figure in the matrix. Different levels of WMI have been associated with typical, age-related cognitive improvements and decline, as well as with preterm birth. To explore the effects of different levels of WMI, I incorporated different noise proportions in the activation values of my SPM model. Best performance was obtained with no impairment, but as WMI was reduced, the model's success rate was lowered to first capture the success rate of typically-developing 9-year-olds on the SPM, and with more noise it then captured the performance of 9-year-olds born preterm. These results thus computationally support a link between WMI and typical and impaired cognitive development.In sum, these results show that CANNs are unique tools to advance our understanding of typical and abnormal mechanisms of development.Une approche utile à la compréhension des mécanismes du développement cognitif sont les réseaux de neurones constructifs (RNCs). Cette thèse présente plusieurs modèles de RNCs améliorant notre compréhension de deux phénomènes typiques et anormaux du développement.Les deux premiers manuscrits explorent les mécanismes de transitions sur les tâches de fausse croyance (FC). Les enfants à croissance typique traversent deux transitions sur les tâches de FC verbales, dans lesquelles ils doivent dire où un agent cherchera pour trouver (approche) ou éviter (évitement) un objet déplacé de A à B durant son absence. La Transition 1 a lieu alors que les enfants passent de l'échec au succès des tâches d'approche, et la Transition 2 alors qu'ils passent du succès seulement aux tâches d'approche au succès des deux tâches. Ces transitions sont-elles dues à l'apprentissage des croyances ou à d'autres facteurs? Le premier manuscrit présente un modèle d'une tâche non-verbale de FC (utilisant le temps de regard au lieu d'une mesure verbale). Le modèle a reproduit les transitions observées avec les tâches verbales, prédisant des transitions avec les tâches non-verbales. Les résultats suggèrent que les transitions ne sont pas dues à l'apprentissage des croyances; la Transition 1 serait due au fait de surmonter une attribution par défaut de vraies croyances (VCs) en distinguant les situations de FCs et VCs, tandis que la Transition 2 serait due au but d'évitement étant représenté par des comportements plus variées que le but d'approche.Les enfants autistes échouent habituellement les tâches de FC verbales. Le deuxième manuscrit explore l'effet de simuler des déficits autistes sur la Transition 1.Premièrement, les déficits sociaux autistes pourraient être reliés à une connectivité anormale entre les régions du cerveau utilisées dans les tâches de FC. J'ai exploré cette hypothèse en endommageant dans un premier groupe de réseaux la connectivité de l'unité d'entrée représentant l'agent, et dans un deuxième groupe la connectivité d'une unité d'entrée représentant le départ ou l'arrivée de l'objet. Les résultats suggèrent que l'information de l'unité d'agent est critique pour la Transition 1, car seulement le premier groupe a échoué la tâche. J'ai ensuite simulé l'attention réduite aux stimuli sociaux chez l'autiste en remplaçant la moitié de toutes les situations d'entrainements par des nombres aléatoires, simulant des observations d'autres objets ou stimuli. Puisqu'il y a des doutes sur l'utilité de traitements comportementaux en jeune âge chez l'autiste, j'ai simulé différent temps de traitements en manipulant la durée de l'endommagement de l'attention. Devancer le début du traitement a eu pour effet d'améliorer progressivement la performance des réseaux, démontrant que les traitements des comportements autistes peuvent être bénéfiques. Dans le troisième manuscrit, j'ai exploré si des variations dans l'intégrité de la substance blanche (ISB) pouvaient simuler différentes performances sur les Standard Progressive Matrices (SPM) de Raven, un test d'intelligence dans lequel on doit trouver la figure qui complète le mieux une matrice de figures. Différent niveaux d'ISB ont été reliés avec l'amélioration et le déclin typique de la cognition avec l'âge, ainsi qu'avec la naissance prématurée. Afin d'explorer les effets de différents niveaux d'ISB, j'ai incorporé différents niveaux de bruits dans les activations neuronales de mon modèle des SPM. La meilleure performance a été obtenue avec le modèle non-endommagé, mais alors que l'ISB a été réduite, le taux de succès du modèle a d'abord rejoint celui d'enfants au développement typique, et ensuite celui d'enfants nés prématurément. Ces résultats supportent donc un lien entre l'ISB et le développement typique et anormal de la cognition.En somme, ces résultats démontrent que les RNCs sont des outils uniques pour améliorer notre compréhension des mécanismes typiques et anormaux du développement