Keynote Lecture: Anna Schapiro - CCN 2025

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la conférence présente des résultats de recherche originaux, des modèles computationnels détaillés et des hypothèses théoriques importantes pour la compréhension de la mémoire et de l’apprentissage. L’argumentation est solide, s’appuyant sur des données expérimentales (IRMf, comportement) et des simulations, et elle relie les résultats à des théories établies (complémentary learning systems). La présentation est claire et structurée, avec des exemples concrets et des prédictions testables.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les travaux sont présentés par une chercheuse reconnue, avec des références à des études antérieures et des modèles existants. Cependant, la conférence ne fournit pas de liste exhaustive de sources, et les détails méthodologiques sont limités par le format oral. Le titre est générique mais adéquat, reflétant le contenu de la keynote. Aucune source externe n’est citée dans la description, mais les travaux mentionnés sont issus de la littérature scientifique.

Le titre est générique mais correspond exactement au contenu : une keynote lecture présentée à la conférence CCN 2025.

8/10

Conférence d'une chercheuse reconnue, présentant des travaux de recherche originaux et des modèles computationnels, avec des données expérimentales et des simulations. Le contenu est rigoureux, mais la forme orale limite la profondeur des détails méthodologiques.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction de la conférencière par Jasper, contexte de la conférence CCN 2025.
• 02:00Anna Schapiro commence sa présentation : question de l'apprentissage à différentes échelles de temps.
• 05:00Présentation de la théorie des systèmes d'apprentissage complémentaires (CLS) et du rôle de l'hippocampe.
• 10:00Première question : comment apprendre rapidement à travers les expériences ? Présentation des expériences d'IRMf sur l'apprentissage statistique.
• 15:00Introduction du modèle Seahorse, ses voies trisynaptique et monosynaptique, et leurs propriétés.
• 20:00Application du modèle à l'apprentissage de catégories (weather prediction task, satellites) et rôle de la voie monosynaptique.
• 25:00Discussion sur le compromis entre les deux voies et l'interaction avec le cortex préfrontal médian (projet de Daria).
• 30:00Application à l'inférence associative : deux stratégies possibles (représentations séparées vs distribuées) et prédictions comportementales.
• 35:00Présentation des résultats comportementaux sur l'inférence associative : pas de différence pour le test explicite, mais des effets sur la reconnaissance rapide.
• 40:00Discussion sur la consolidation pendant le sommeil et le rôle du replay hippocampique.
• 45:00Conclusion : résumé des deux idées clés (hippocampe non homogène, gradient de représentations) et perspectives.
• 50:00Questions et réponses avec le public.

• Modèle Seahorse (mentionné dans la vidéo) — Modèle computationnel de l'hippocampe développé par le laboratoire de Schapiro, présenté dans la conférence.
• Théorie des systèmes d'apprentissage complémentaires (CLS) — Théorie de McClelland, McNaughton et O'Reilly (1995) mentionnée comme cadre théorique.
• Modèle REMERGE (mentionné) — Modèle de Kumaran et McClelland (2012) pour l'inférence associative, comparé à la stratégie de la voie monosynaptique.

• McClelland, J. L., McNaughton, B. L., & O'Reilly, R. C. (1995). Why there are complementary learning systems in the hippocampus and neocortex: insights from the successes and failures of connectionist models of learning and memory. — Article fondateur de la théorie CLS, cité implicitement dans la vidéo.
• Kumaran, D., & McClelland, J. L. (2012). Generalization through the recurrent interaction of episodic memories: a model of the hippocampal system. — Modèle REMERGE mentionné dans la vidéo pour l'inférence associative.