* My publications can be downloaded from the CV page  /   Mes publications sont disponibles dans la rubrique CV.

En quelques mots simples

Grants/financements

Main research topic
The limitation in capacity in short-term memory
Capacity in short-term memory has been estimated by Miller (1956) to be close to 7, a famous number that Miller was amused to find it similar to the seven wonders of the world, the seven seas, the seven sins, etc. However, capacity is even more famously associated to 4 in more recent studies (e.g., Cowan, 2001). The inconsistency between the two estimates seems to depend on whether the tasks allow the material to be freely processed. Technically, the capacity is usually expressed in chunks of information (instead of raw elements). Since nobody is definite about what constitutes a chunk, the single important aspect of this notion has been that it is a set of items that are treated as a single unit (for instance, three letters are treated as a chunk if they correspond to an existing word). Our aim was therefore to propose a new more precise conception of chunk derived from the notion of compressibility (Mathy & Feldman, 2012).

The measure of capacity in short-term memory
The span in short-term memory is based on the ability to recall a sequence of items in order. Although different scoring methods exist, the span can be estimated by the longest list a participant can recall until they fail, when they are presented with increasingly long series of elements. For instance, a simple span task requires to recall in order a list of digits. Because, simple span tasks allow the to-be-remembered material to be processed freely (e.g., some digits can be associated with one another to facilitate storage), we have carried out experiments in which we manipulated the compressibility of the to-be-remembered lists of digits by introducing regularities within lists (see fig. below). This new method has involved to develop a new method based on an algorithm usually dedicated to DNA sequence alignment in order to both reliably score short-term memory performance and analyze retention-error patterns (Mathy & Varré, 2013). Our research has illustrated the difficulty of arriving at a good measure of short-term memory performance, while characterizing the primary factors underpinning remembering and forgetting.

Results
The capacity in short-term memory is about 4 chunks (each of them can compress one or more digits). This result is consistent with many recent studies, but we also found the capacity to revolve around 7 uncompressed digits, which is consistent with Miller's famous magic number. Although the magic numbers seem to duplicate for our result seem to reconcile the two predictions, the true capacity is 4 when the chunking mechanism is taken into account. Miller's magic number (7) and Cowan's (4) simply refer to different quantities: The former represent the list of unpacked items whereas the latter refers to the size of a sequence after compression. The compressed sequence is analogical to the Kolmogorov complexity of the original list of items.
Our result sheds light on an online chunking process in short-term memory that seems to function as a compression mechanism. Our research is the first to depart from the conception that a chunk is the mere product of long-term memory by showing that a chunk can form in short-term memory. This could be shown by introducing regular patterns into the to-be-remembered material, in contrast to more standard tasks where chunking is deliberately suppressed. We have shown that complexity influences the ease with which material can be retained in short-term memory.  Our hope is that our mathematically motivated model of chunking paves the way for a better quantification of working memory capacity.


Thème de recherche principal

La limitation des capacités en mémoire à court terme
La capacité en mémoire à court-terme a été estimée de longue date par Miller (1956) comme approchant une limite d'environ 7 éléments. Miller s'est amusé de cette coïncidence avec les 7 merveilles du monde, les 7 mers, les 7 péchés capitaux, etc., ce qui a contribué en partie à l'écho qu'a reçu cette publication. Pourtant, cette capacité a été régulièrement estimée à la baisse depuis, et les synthèses les plus récentes concluent à une capacité avoisinant 4 éléments (Cowan, 2001). Cette inconsistance entre les deux estimations semble dépendre de la liberté laissée aux participants de traiter l'information pendant les tâches de mémorisation. La capacité est généralement exprimée techniquement en nombre de chunks, et non simplement en nombre d'éléments. Cependant, il n'y a pas de définition précise de ce que recouvre cette notion de chunk. La seule caractéristique qui semble être partagée est qu'un chunk est un ensemble d'éléments qui forment une unité (par exemple, trois lettres sont traitées comme une unité à part entière lorsqu'elles forment un mot qui présente un sens). Notre objectif a donc été de proposer une nouvelle conception précise de la notion de chunk fondée sur la notion de compressibilité de l'information (Mathy & Feldman, 2012).

La mesure des capacités en mémoire à court terme
L'empan mnésique en mémoire à court-terme est calculé à partir de séquences d'items à rappeler dans l'ordre. Bien que différentes méthodes de cotation existent, l'empan est estimable de façon simple à partir de la plus grande liste d'items qu'une personne est capable de retenir sans commettre d'erreur, lorsqu'on lui présente des listes progressivement plus grandes. Par exemple, une tâche simple d'empan de chiffres requière de rappeler une liste de chiffres dans l'ordre. Dans le cas des tâches simples, le matériel à rappeler peut être traité librement par le participant (e.g., des chiffres peuvent être associés pour faciliter leur stockage). Nous avons mis à profit cette particularité afin de conduire des expérimentations dans lesquelles nous avons introduit des régularités dans les suites de chiffres (voir la figure ci-dessus). Cette nouvelle méthode a impliqué de développer une méthode ad-hoc utilisant un algorithme habituellement dédié à l'alignement de séquences ADN afin de coter les performances de façon fiable tout en analysant les patrons d'erreurs (Mathy & Varré, 2013). Notre recherche cristallise les difficultés à parvenir à une estimation des performances en mémoire à court terme et à déterminer les facteurs sous-jacents à l'oubli et au maintien de l'information.

Résultats
Les capacités de la mémoire à court-terme avoisinent 4 chunks (chacun d'eux pouvant compresser un ou plusieurs chiffres). Ce résultat est conforme aux estimations actuelles, mais nous avons également trouvé que la capacité correspond à 7 chiffres incompressés, ce qui confirme toujours le fameux chiffre magique de Miller. Bien que les deux chiffres magiques semblent se dupliquer par le fait que nos résultats réconcilient les deux prédictions, la capacité réelle est 4 lorsqu'on tient compte du mécanisme de chunking. Les chiffres magiques de Miller (7) et de Cowan (4) font simplement référence à des quantités différentes : le premier représente une liste d'éléments décompactés et le second représente la taille de la séquence d'éléments qui résulte d'un processus de compression. La séquence compressée présente une analogie à la complexité de Kolmogorov de la liste d'éléments de départ.
Nos résultats renvoient à l'idée qu'un processus de chunking en temps réel en mémoire à court terme peut opérer comme un mécanisme de compression. Notre recherche est la première à se démarquer d'une conception plus répandue qu'un chunk est un produit de la mémoire à long terme, en montrant que les chunks peuvent se former en mémoire à court terme. Cela a pu être montré par l'introduction de régularités dans le matériel à mémoriser, une méthode qui contraste avec l'adoption plus courante de tâches dans lesquelles le chunking est délibérément supprimé. Nous avons montré que la complexité influence la facilité à retenir un matériel en mémoire à court terme. On espère maintenant que notre modèle mathématique du chunking puisse ouvrir la voie à une meilleure quantification des capacités en mémoire de travail.

Habilitation à diriger des recherches 
Titre: Apprentissage, chunking et capacité de la mémoire chez l’adulte

Lien pdf 

Résumé
Les recherches sur la compressibilité de l’information ont donné un regain d’intérêt aux modèles 
de la catégorisation artificielle fondés sur des règles. Plusieurs modèles de compression sont
décrits selon l’architecture mentale qui leur est sous-jacente. Plusieurs expérimentations tendent
à valider un modèle multi-agent statique formalisant les limitations de la mémoire de travail.
D’après ce modèle conduisant à une compression de l’information non optimale, les sujets uti-
lisent des règles statiques dans lesquelles l’ordonnancement de l’information d’un stimulus à
l’autre n’est pas modifié. D’autres travaux expérimentaux montrent que les sujets cumulent di-
verses stratégies afin de compresser l’information de façon plus maximale et que l’apprentissage
progresse tant que l’information peut être réduite. 

Un second ensemble de travaux regroupe mes recherches sur l’influence de l’ordre de présentation
des stimuli dans l’apprentissage de catégories. Ces recherches ont pour objectif de manipuler
des aspects habituellement randomisés dans les tâches de catégorisation. Différents ordres de
présentation ont été élaborés de façon à optimiser des processus hypothétiques de catégorisation
(e.g., l’abstraction de règles et d’exceptions ou l’association de traces mnésiques par similarité).
Les résultats montrent que les sujets sont plus performants lorsque les stimuli sont ordonnés par
règles que par similarité, ce qui suggère un processus effectif de catégorisation par règle chez
les individus (autrement dit, une meilleure performance peut s’expliquer par une compatibilité
entre la présentation et la catégorisation opérée par les sujets). 

Une dernière partie de mes recherches concerne la modélisation du fonctionnement de la mémoire
de travail par des tâches dans lesquelles les processus de chunking ne sont pas prohibés. Ces
travaux visent à décrire et quantifier les processus de chunking par des mécanismes de com-
pression de l’information. Lorsque les sujets sont soumis à des tâches de mémoire à court terme
dans lesquelles les processus de chunking sont favorisés au lieu d’être contrôlés, il est possible
d’obtenir deux estimations de l’empan mnésique (l’un –7 – typique des tâches de mémoire à
court terme, l’autre –4 – typique des tâches de mémoire de travail). L’estimation 7 correspond
au décomptactage des items compressés dans les 4 chunks. De telles tâches impliquent des
procédures subtiles de cotation des performances. L’utilisation d’algorithmes d’alignement que
je préconise permet de détailler les patterns d’erreurs en mémoire à court terme et de décrire
l’asymptote de l’empan mnésique dans des conditions de saturation de la mémoire.




Research grants awarded / Financements de recherche obtenus 

En tant que porteur de projet

- Financement d'un contrat doctoral pour Giulia Mezzadri par l'école doctorale Sciences Fondamentales et Appliquées, en co-direction avec Patricia Reynaud-Bouret (DR CNRS, probabilités et statistiques). Sujet de thèse : Modèles temporels de l’apprentissage chez l’humain, ~100.000 €.

- Financement en 2016 du projet Estimation rapide des capacités de la mémoire des enfants, adultes et personnes âgées, en atelier scientifique. Soutien à la Culture Scientifique et Technique de l'UNS, 3200 HT. 

- Financement en 2016 du projet Rationalité et valeur communicative du sourire et du rire dans le syndrome d'Angelman, par l'Association Française du Syndrome d'Angelman, 6500  \euro.

- Financement en 2014 et 2015 du projet  "Processus moteurs en mémoire à court terme verbale: Une analyse par électromyographie laryngée ", 10413 €. Partenaires BCL-UMR7320 (autre membre : Tobias Scheer) et I3S-UMR7271 (Membre : Frédéric Précioso). Financement par l'Axe Interdisciplinaire MTC‐NSC (Modélisation théorique et Computationnelle en Neurosciences et Sciences Cognitives) de l'Université Nice Sophia Antipolis.

- Financement du projet  "Mesure de la mémoire, de l'intelligence, et de leur lien avec l'entraînement mental: Instrumentation, expérimentation et modélisation". 2013-2015, 29.400 €. Laboratoire de Psychologie EA3188. Porteur du projet : Fabien Mathy.

- Financement d'un contrat doctoral (3 ans). Projet  "Entraînement mental, gain en intelligence, et capacité en mémoire à court-terme". 85.000 
  Laboratoire de Psychologie EA3188. Porteur du projet : Fabien Mathy.

- Financement par l'Université de Franche-Comté d'un séjour postdoctoral de deux mois (mai-juin 2011) pour
  Harry Haroutioun Haladjian (thèse dirigée par Z. Pylyshyn et soutenue à Rutgers University, NJ, USA, en 2011),
  sur l'influence des capacités en mémoire à court terme dans les capacités d'énumération. 
Porteur du projet : Fabien Mathy.

- Financement d'un contrat doctoral et financement d'un électromyogramme. Projet  "Chronométrie mentale et mesures
  neurophysiologiques des performances dans l'apprentissage et la mémorisation". Projet associant le Laboratoire de Psychologie EA3188
  et le Laboratoire de Neuroscience EA481, l'Université de Plymouth (Centre for Research in Brain, Cognition and Behaviour, Royaume Uni),
  l'Université de Dijon (Laboratoire d’étude de l’apprentissage et du développement, CNRS UMR 5022)
. Projet porté par la MSHE USR 3124
  et financé par Le Conseil Régional de Franche-Comté. 2010-2013. Porteur du projet : Fabien Mathy. 101000
€.

- Bourse de l'Agence Nationale pour la Recherche (ANR). Projet : "Organisation temporelle et structuration de la mémoire"
  (The temporal organization in memory). 2009-2013, 28.700 €. Porteur du projet : Fabien Mathy.

-  Bourse PEPS (projet exploratoire premier soutien) de l'Institut National des Sciences Humaines et Sociales (INSHS)
   du Centre National de la Recherche Scientifique (
CNRS). Projet intitulé "Un réexamen de l'estimation de la capacité
   en mémoire de Miller (1956) par l'utilisation d'algorithmes d'alignement de séquences"
(A reexamination of Miller's 1956
   estimation of the short term memory capacity using sequence alignment algorithms). 2009-2010, 10.000 €. Porteur du projet : Fabien Mathy.

- Post-doctoral study grant from the Fyssen Foundation. 2005.

- Fulbright visiting scholar program (postdoc). 2004.


En tant que collaborateur

- Financement par Leverhulme Trust du projet ``Memory and language: A perceptual-motor approach to verbal sequence learning''. Investigateur principal : Robert Hughes, Royal Holloway, University of London. Collaborateurs : John Everett Marsh, University of Central Lancashire, UK, et F. Mathy,  2017-2019, 174.000 \euro.

- Financement par Université Côte d'Azur (IDEX UCA Jedi) en 2017-2020 du projet ``From mind to brain: Working on the integration challenge of neuro- and cognitive science''. PI: Tobias Scheer (BCL, linguistics); collaborators: Fabien Mathy (BCL, psychology) and Demian Wasserman (INRIA Athéna, computer science, in vivo brain anatomy and function study), 400.000 .

- Financement par la Mission pour l’Interdisciplinarité du CNRS et l’Institut des Sciences Humaines et Sociales du CNRS, en partenariat avec le Groupement d’Intérêt Scientifique Réseau National des Maisons des Sciences Humaines. Projet QUANTUMTEST, 2015, Tester les modèles quantiques de la cognition appliqués au jugement. En collaboration avec Eric Guerci (porteur du projet, GREDEG, UMR 7321 CNRS, Université Nice Sophia-Antipolis)),Thomas Boyer-Kassem (Archives Poincaré, UMR 7117 CNRS, Université de Lorraine), Sébastien Duchêne et Pierre Garrouste (GREDEG, Université Nice Sophia Antipolis), et Gabriel Lemarié (Laboratoire de Physique Théorique, UMR 5152, Université Paul Sabatier à Toulouse). 15.000 .

- Financement par la Mission pour l’Interdisciplinarité du CNRS (dans le cadre de l’appel d’offre Sciences Cognitives 2014 et de l’Axe Interdisciplinaire Modélisation Théorique et Computationnelle en Neurosciences et Sciences Cognitives de l'Université Nice Sophia Antipolis) du projet `Architectures profondes et apprentissage inter-synaptique pour la reconnaissance de formes'. Partenaires CNRS de l'Université de Nice Sophia-Antipolis (porteur de projet : Frédéric Lavigne) : BCL et I3S, 20.000 .

- Financement en 2014-2015 par l'Axe Interdisciplinaire MTC‐NSC (Modélisation théorique et Computationnelle en Neurosciences et Sciences Cognitives) de l'Université Nice Sophia Antipolis du projet `Real time detection of morpho-phonological computation in the brain'. Partenaires BCL (porteur de projet : Tobias Scheer) et INRIA/ATHENA, 11.000 

- Financement en 2014 par la British Academy du projet "Motor processes in verbal short-term memory: laryngeal electromyographic studies", porté par le Dr. R. W. Hugues (Département de psychologie, Royal Holloway, University of London), en collaboration également avec le Dr. John Marsh, Senior Research Fellow at the Department of Psychology, University of Central Lancashire, UK, 7.880