From neural coding to decision-making

De nombreuses expériences neurophysiologiques sur les singes et rongeurs ont mis en évidence certains mécanismes neuronaux de la prise de décision. Des signaux neuronaux qui sont corrélés avec des éléments spécifiques de la prise de décision reflètent un processus d’accumulation d’évidence afin de prendre la décision. Dans cette thèse, j’étudie un modèle de réseau neuronal dynamique qui utilise un phénomène d’équilibre en excitation et inhibition pour rendre compte du mécanisme d’accumulation d’évidence. Ce modèle rend compte, qualitativement, des données neurophysiologiques mais a très peu été comparé aux résultats comportementaux d’expériences de prise de décision avec des humains. Lors de la prise de décision, de nombreux effets comportementaux sont observables comme par exemple le ralentissement de la décision après une erreur. Reproduire ces effets est crucial pour comprendre le processus de prise de décisions chez les humains et les animaux. J’explore ces différents effets du point de vue du modèle à attracteur neuronaux. Bien qu’il ne s’agisse pas du cadre le plus utilisé dans l’étude de la prise de décision et ses effets, il permet l’étude de mécanismes biophysiques détaillés. Dans cette thèse je montre que ce niveau de modélisation ne constitue pas uniquement un simple perfectionnement du cadre standard mais qu’il est essentiel pour certains effets comportementaux. Grâce à un phénomène de relaxation, le réseau attracteur reproduit de nombreux séquentiels comme les biais de répétitions, le ralentissement après-erreur ou encore l’amélioration des performances après-erreur. Dans un second temps j’ai développé une expérience psychophysique qui permet l’étude de la confiance lors de la prise de décision. J’ai montré qu’un réseau attracteur reproduit la notion de confiance des participants, ainsi que les effets séquentiels dus à la confiance. Ces différents résultats montre que la dynamique non-linéaire, caractéristique des réseaux attracteurs, est essentielle pour reproduire de nombreux aspects de la prise de décision. La dernière partie de ce manuscrit consiste en l’étude du codage neuronal de l’information dans un réseau de prise de décisions. Je me concentre sur le processus d’apprentissage d’une tâche de catégorisation. Je montre que la modulation par la confiance du signal de récompense conduit à un apprentissage plus efficace de la part du système.Neurophysiological experiments on monkeys and rodents have highlighted the neural mechanisms of decision-making. Neural signals, that are correlated with specific elements of the decision-making process, reflect an accumulation of evidence until the decision is reached. In this thesis, I study a dynamic neural network model that uses a balance between excitation and inhibition to account for the mechanism of evidence accumulation. This model qualitatively accounts for neurophysiological data but has not been compared quantitatively with behavioral results from decision experiments with humans. During decision-making experiments, many behavioral effects can be observed, such as the slowing down of the decision after an error. Modeling these effects is critical to reproduce the decision-making process in animals and humans. I explore these different effects from the point of view of the neural attractor model. Despite the fact that this framework does not consist in the most common to study decision-making and its effects, it allows for detailed biophysical mechanisms. In this thesis, I show that this level of modeling does not just correspond to a refinement of the standard framework but is essential to reproduce some behavioral measures. Using a relaxation dynamics, the network accounts for many of the sequential effects such as history biases, post-error slowing and post-error improvement in accuracy. In a second step I have developped a psychophysics experiment in order to study confidence in decision-making. I have shown that an attractor network reproduces the sense of confidence of the participants, as well as the sequential effects due to confidence. These results show that the non-linear dynamics, characteristic of attractor neural networks, is essential to reproduce various aspects of decision-making. The last part of this manuscript consists in a study of the neural coding of information in a decision network. I focus on the learning process of a categorization task by the network. I show that a modulation of the reward signal by the confidence leads to a more efficient learning of the categorization task