Cette étude relie psychologie et IA en montrant un même mécanisme en deux temps chez humains et modèles apprenants

Une étude publiée fin 2025 montre un point troublant. Les humains et de petits transformers changent d’apprentissage selon la diversité des exemples reçus. Plus les données se répètent, plus la mémoire domine. Plus elles varient, plus le raisonnement prend la main.

Avec 530 volontaires et les mêmes tests, la recherche montre quand mémoire et règle prennent le dessus

Les chercheurs ont comparé 530 volontaires et de petits réseaux de neurones sur une même tâche. Chacun devait relier des images à des nombres. Ensuite, l’équipe a modifié la fréquence des exemples. Ce réglage a fait émerger des choix d’apprentissage très proches.

Lire aussi Ce robot bipède sur roues gère plusieurs modes de locomotion avec un seul contrôle, simplifiant la mobilité robotique

Quand l’entraînement présentait surtout des cas répétés, humains et modèles retenaient davantage des associations directes. À l’inverse, des séries variées favorisaient l’usage d’une règle. Le point de bascule apparaît autour de α = 1. Vous tenez là le résultat central.

Une même tâche et deux réflexes, car la variété des exemples oriente déjà mémoire et raisonnement chez tous

Concrètement, l’étude oppose deux réflexes. Le premier stocke une réponse comme un fait appris. Puis le second repère une règle et l’applique ailleurs. En psychologie, cela rappelle la mémoire acquise et le raisonnement. En IA, on parle d’apprentissage in-context et d’apprentissage in-weight.

Vous pouvez le voir avec une multiplication. Pour 2 × 4, vous sortez souvent une réponse mémorisée. Pour 6 × 13, vous déroulez une méthode. Toutefois, l’étude montre que ces deux voies dépendent fortement du type d’exemples vus au départ, pas seulement de la tâche.

Lire aussi Avant d’utiliser une IA, se poser les bonnes questions peut vraiment changer votre impact écologique au quotidien

Quand répétition et nouveauté cohabitent, humains et modèles cumulent deux stratégies et un même parcours

Le plus intéressant arrive quand les données mélangent répétition et nouveauté. Dans ce cas, humains et modèles deviennent plus souvent des doubles apprenants. Ils gardent des associations utiles. De plus, ils savent encore inférer une règle quand un exemple nouveau surgit.

Les chercheurs n’ont pas regardé seulement les scores finaux. Ils ont aussi suivi les trajets de souris chez les humains. Parallèlement, ils ont inspecté l’attention des modèles. Les deux systèmes semblent utiliser un mécanisme en deux temps pour résoudre la version qui exploite une règle.

D’abord, le participant ou le modèle repère l’image cible dans le cercle. Ensuite, il cherche la bonne réponse trois positions plus loin. Ce parallèle reste frappant. Toutefois, les auteurs rappellent un point essentiel : ce travail repose sur de petits transformers et une tâche volontairement simplifiée.

Lire aussi Dans le vacarme des data centers, ces robots-chiens détectent les signaux faibles que l’oreille humaine ne perçoit pas

Quand la diversité arrive d’abord, les humains gardent la règle, mais les petits modèles décrochent vite

C’est là que l’écart apparaît. Quand la formation commence par des exemples variés, les humains conservent mieux la règle ensuite. Puis ils ajoutent la mémorisation des cas répétés. Les petits transformers, eux, perdent plus facilement leur stratégie initiale. Ici, les auteurs parlent d’interférence catastrophique.

Autrement dit, l’ordre des exemples compte autant que leur contenu. Si vous apprenez d’abord par variété, vous gardez une certaine souplesse. En revanche, une forte redondance dès le départ peut vous enfermer plus vite dans le par cœur. Voilà une piste concrète pour penser l’ordre des exemples.

Vous ne devez pourtant pas tirer une leçon scolaire trop vite. L’expérience reste très contrôlée. Elle n’évalue ni une classe, ni un grand modèle de langage. Enfin, elle ouvre une vraie question : peut-on entraîner des IA plus flexibles en organisant mieux les données dès le début.

Lire aussi L’agent IA de Zuckerberg chez Meta lit les données internes en temps réel et transforme le pilotage de l’entreprise