L’expérience d’apprentissage dirigé vers un but versus habitude – Anthony Dickinson

Au cœur des sciences cognitives, de la neurobiologie comportementale et de la philosophie de l’esprit réside une interrogation séculaire : dans quelle mesure nos actions procèdent-elles d’une intention délibérée, tournée vers l’accomplissement d’un dessein conscient, ou de simples automatismes forgés par la sédimentation d’habitudes motrices ? Pendant la majeure partie du XXe siècle, la psychologie scientifique s’est trouvée polarisée entre des visions réductrices de l’action, oscillant entre le béhaviorisme radical, qui évacuait toute forme de causalité mentale interne au profit de lois d’association aveugles, et un cognitivisme naissant, parfois incapable de fournir des preuves empiriques rigoureuses de l’intentionnalité animale. C’est dans ce paysage intellectuel en pleine recomposition que les travaux pionniers du psychologue britannique Anthony Dickinson, conduits au laboratoire de psychologie expérimentale de l’Université de Cambridge, ont opéré une révolution méthodologique et conceptuelle sans précédent.

En concevant des paradigmes expérimentaux novateurs fondés sur la dévaluation de la récompense et la manipulation de la contingence causale, Dickinson et ses collaborateurs ont réussi l’exploit d’isoler expérimentalement deux systèmes fondamentaux sous-tendant la sélection de l’action : le système dirigé vers un but (goal-directed) et le système d’habitude (habit). Loin d’être de simples artefacts de laboratoire, ces deux modalités décisionnelles incarnent des architectures computationnelles et neurobiologiques distinctes, dont la coexistence dynamique permet à l’organisme d’arbitrer entre la flexibilité adaptative face à un environnement changeant et l’efficience économique d’un comportement automatisé. L’expérience séminale publiée avec Colin D. Adams en 1981 a fourni la première démonstration irréfutable que le comportement animal n’est pas réductible à un automatisme uniforme, mais résulte d’un équilibre raffiné entre des représentations cognitives explicites des conséquences de l’action et des routines motrices déclenchées directement par les stimuli contextuels.

Le rayonnement de cette découverte dépasse très largement le cadre de l’apprentissage animal comparé. De nos jours, la distinction entre action dirigée vers un but et habitude constitue le socle fondamental sur lequel reposent les neurosciences computationnelles modernes — notamment à travers l’opposition entre l’apprentissage fondé sur un modèle (model-based) et l’apprentissage sans modèle (model-free) —, la neurobiologie des systèmes corticostriataux, ainsi que la nosologie psychiatrique contemporaine. Les dysfonctionnements de cet arbitrage subtil entre intention et routine fournissent en effet une clé de lecture fondamentale pour décrypter la physiopathologie de l’addiction, du trouble obsessionnel-compulsif et d’autres troubles de la régulation comportementale. Cet article propose une analyse approfondie et exhaustive de l’œuvre d’Anthony Dickinson, depuis ses fondements épistémologiques et expérimentaux jusqu’à ses prolongements neurobiologiques, computationnels et cliniques contemporains.

1. Introduction aux travaux d’Anthony Dickinson et aux théories de l’apprentissage

1.1 Le contexte épistémologique de la psychologie behavioriste et cognitive

Pour appréhender la portée historique des travaux d’Anthony Dickinson, il convient de restituer la querelle fondamentale qui a déchiré la psychologie de l’apprentissage tout au long du siècle dernier. Sous l’impulsion inaugurale d’Edward Thorndike et de sa célèbre « loi de l’effet » formulée en 1898, puis avec l’hégémonie doctrinale du behaviorisme radical instauré par B.F. Skinner, l’apprentissage instrumental s’est longtemps vu circonscrit à une formule canonique : l’association stimulus-réponse (S-R). Selon la vulgate behavioriste, le renforcement positif — qu’il s’agisse d’un granule de nourriture ou d’une goutte d’eau sucrée — ne joue qu’un rôle de « catalyseur » de l’association. Dans cette modélisation, le résultat de l’action (le renforçateur, ou outcome) agit comme une force mécanique rétroactive qui vient « souder » la réponse motrice (R) au stimulus environnemental (S) en présence duquel cette réponse a été émise. Crucialement, le renforçateur lui-même ne fait pas partie du contenu encodé par l’apprentissage : l’animal ne forme aucune représentation interne de la conséquence de son acte, pas plus qu’il n’agit dans l’attente cognitive de celle-ci.

Cette vision purement machinique et mécaniste de l’apprentissage instrumental fut vigoureusement contestée dès les années 1930 par Edward Tolman. Pionnier visionnaire d’un béhaviorisme dit intentionnel ou « molaire », Tolman affirmait que les animaux n’acquièrent pas de simples connexions motrices myopes, mais intègrent de véritables « cartes cognitives » de leur environnement ainsi que des attentes causales concernant les relations entre leurs actes et les fins atteintes. Tolman postula ainsi que l’action est fondamentalement intentionnelle, sous-tendue par une structure propositionnelle primitive que l’on qualifiera plus tard de relations de type « croyance-désir ». Cependant, pendant plusieurs décennies, les thèses cognitivistes de Tolman souffrirent d’un déficit méthodologique critique. Leurs détracteurs behavioristes soulignaient avec une rigueur implacable que toutes les observations expérimentales de Tolman pouvaient être réinterprétées à travers le prisme de chaînes d’associations S-R complexes, de gradients de renforcement fractionnés ou d’antécédents proprioceptifs, reléguant la cognition animale au rang de fiction anthropomorphique non falsifiable.

L’émergence de la révolution cognitive dans les années 1960 et 1970 n’a pas immédiatement balayé ce dilemme au sein du conditionnement opérant. Alors que le traitement de l’information s’imposait pour l’étude de la mémoire humaine et du langage, l’analyse comportementale de l’apprentissage animal demeurait largement dominée par les modèles formels de type associationniste, à l’instar du modèle de Rescorla-Wagner formulé en 1972 pour le conditionnement pavlovien. C’est dans ce contexte de confrontation conceptuelle bloquée que le laboratoire d’Anthony Dickinson au sein du Département de Psychologie Expérimentale de l’Université de Cambridge est intervenu. Dickinson comprit qu’il était indispensable d’élaborer une méthodologie expérimentale radicalement innovante, capable de dissocier mathématiquement et comportementalement l’association stimulus-réponse mécanique d’une véritable action finalisée, en soumettant l’architecture cognitive de l’animal à des tests diagnostiques incontestables.

1.2 La rupture conceptuelle introduite par Anthony Dickinson

La rupture conceptuelle majeure opérée par Anthony Dickinson réside dans le refus d’un réductionnisme moniste de l’action. Plutôt que de choisir un camp exclusif — le behaviorisme mécaniste contre le cognitivisme intentionnel —, Dickinson émit l’hypothèse audacieuse que les organismes supérieurs possèdent simultanément deux architectures d’apprentissage parallèles, aux logiques computationnelles foncièrement différentes : un système d’actions dirigées vers un but (goal-directed actions) et un système d’habitudes motrices automatiques (habits). Pour conférer une respectabilité opérationnelle et philosophique à cette dichotomie, Dickinson s’appuya sur l’analyse de la philosophie de l’esprit, notamment les travaux d’Elizabeth Anscombe et de Donald Davidson sur l’intentionnalité.

Pour qu’une action puisse être rigoureusement qualifiée de « dirigée vers un but » (et non de simple réaction réflexe ou habituelle), Dickinson théorisa qu’elle doit satisfaire simultanément deux critères épistémologiques stricts :

• Le critère de la contingence causale : L’organisme doit posséder la connaissance explicite que son action motrice (A) est la cause directe de l’avènement d’un résultat déterminé (O, pour outcome). Il ne s’agit pas d’une simple proximité temporelle, mais d’une représentation de la structure causale reliant l’acte à sa conséquence spécifique (association A-O).
• Le critère de la valeur : L’organisme doit attribuer une valeur subjective actuelle à ce résultat précis. L’initiation de l’action doit dépendre directement de l’état motivationnel courant et de l’utilité hédonique accordée à ce résultat particulier au moment précis où la décision d’agir est prise.

Inversement, l’habitude est définie par la rupture de ce lien psychologique direct entre la réponse et son résultat. Dans le régime de l’habitude, le comportement est régit par une association stimulus-réponse (S-R) : le stimulus contextuel évoque directement le schéma moteur sans que la représentation du résultat (sa nature, sa saveur, sa valeur biologique actuelle) ne soit instanciée dans l’esprit de l’agent lors de l’initiation motrice. La contribution séminale de Dickinson a été de concevoir une manipulation empirique capable d’interroger la validité de ces critères sans introduire de biais de rétroaction directe : le paradigme de la dévaluation du résultat.

2. Le paradigme de la dévaluation du résultat : Fondements méthodologiques

2.1 Le principe fondamental de la dévaluation sélective

Le paradigme de la dévaluation du résultat (outcome devaluation paradigm) constitue sans conteste l’une des innovations méthodologiques les plus influentes de la psychologie contemporaine. Son génie réside dans sa capacité à modifier la valeur motivationnelle d’un renforçateur en dehors de toute opportunité d’exécuter la réponse motrice instrumentale. Traditionnellement, les expérimentateurs mesuraient l’apprentissage en observant l’extinction : on cessait simplement de donner la nourriture lorsque le levier était pressé, et on regardait la baisse progressive des réponses. Mais cette approche classique était fatalement corrompue aux yeux des théoriciens de la cognition, car l’animal subissait alors un nouvel apprentissage perceptif et temporel direct sur le levier lui-même (une détection directe d’omission), ce qui rendait impossible de savoir si le comportement antérieur reposait sur une prévision causale ou sur une habitude mécanique qui se dégradait lentement.

Pour surmonter cette aporie, la dévaluation sélective sépare radicalement la modification de la valeur de la récompense de l’exercice de l’action qui l’a produite. Le protocole s’articule en plusieurs phases distinctes. Dans un premier temps, l’animal apprend à effectuer une action motrice (par exemple, presser un levier) pour obtenir une récompense nutritionnelle précise (des pastilles de saccharose ou des granules riches en nutriments). Une fois cette relation fermement établie, l’animal est extrait de la cage opérante. Dans un environnement totalement distinct, le statut hédonique et incitatif de cette récompense est spécifiquement altéré — elle est dévaluée —, de sorte que l’animal cesse de la désirer. Enfin, l’animal est replacé dans la cage d’origine pour exécuter l’action motrice initiale. Si l’action est dirigée vers un but, l’animal, intégrant mentalement la nouvelle valeur dépréciée de la conséquence, doit spontanément et immédiatement réduire sa fréquence de réponse, sans même avoir besoin de goûter à nouveau la récompense au cours de ce test.

2.2 Les protocoles d’aversion gustative induite chimiquement

La méthode canonique employée par Adams et Dickinson pour induire une dévaluation robuste repose sur le conditionnement d’aversion gustative par voie pharmacologique. Dans ce protocole, le renforçateur instrumental (par exemple, une solution sucrée ou des boulettes alimentaires particulières) est présenté à l’animal dans une boîte neutre, où il peut s’en nourrir librement. Immédiatement après cette phase de consommation, l’animal reçoit une injection intrapéritonéale d’une substance émétique, classiquement le chlorure de lithium (LiCl). Le LiCl engendre un état de malaise viscéral et de nausée aiguë réversible sans porter atteinte à l’intégrité motrice générale de l’animal.

Grâce à la puissance du conditionnement d’aversion gustative (un mécanisme adaptatif hautement spécialisé d’origine phylogénétique, initialement documenté par John Garcia), l’association temporelle et intéroceptive entre la saveur du renforçateur et le malaise viscéral transforme de manière durable la valence hédonique de l’aliment. Un aliment initialement perçu comme hautement appétitif devient profondément aversif : l’animal présentera des réactions orofaciales de rejet (déglutition forcée, mouvements de rejet de la tête) s’il y est réexposé. Pour valider l’efficacité de la manipulation sans biaiser le comportement instrumental, les chercheurs mènent systématiquement des tests de contrôle de consommation libre de l’aliment : le groupe expérimental intoxiqué au LiCl refuse catégoriquement d’ingérer l’aliment dévalué, tandis qu’un groupe témoin (ayant reçu une injection de solution saline inerte, ou ayant reçu le LiCl plusieurs heures après sans lien avec l’aliment) continue d’en consommer avidement. Cette dissociation nette garantit que seule la valeur affective du résultat spécifique a été détruite.

2.3 La dévaluation par satiété sensorielle spécifique

Bien que le chlorure de lithium soit un outil extrêmement puissant pour modifier de façon quasi-permanente la valeur d’un aliment, Dickinson et d’autres chercheurs ont également développé des approches de dévaluation moins invasives, fondées sur des processus homéostatiques naturels : la satiété sensorielle spécifique (sensory-specific satiety). Ce phénomène neurophysiologique bien documenté décrit la diminution progressive et ciblée du plaisir gustatif et de la motivation à consommer un aliment déterminé au fur et à mesure de son ingestion, alors même que l’appétit pour des aliments présentant des caractéristiques organoleptiques différentes demeure intact.

Dans ce protocole, avant d’être soumis au test critique sur le dispositif opérant, le sujet est placé pendant une période prolongée (habituellement une à deux heures) dans une chambre d’alimentation où il dispose d’un accès ad libitum à l’un des renforçateurs qu’il a appris à obtenir par son action. L’animal consomme l’aliment jusqu’à réplétion complète. Cette procédure induit un désintérêt temporaire, mais sélectif, envers cette nourriture précise, sans plonger l’organisme dans une satiété calorique totale qui paralyserait tout comportement instrumental. Si l’on offre immédiatement après un autre type d’aliment, le sujet se remet à manger. La dévaluation par satiété sensorielle spécifique est devenue un outil méthodologique de choix, en particulier lors du transfert de ces paradigmes chez les primates non humains et les êtres humains (notamment au cours d’expériences d’imagerie par résonance magnétique fonctionnelle), car elle permet des designs expérimentaux intra-sujets et élimine les effets de détresse physiologique associés aux agents toxiques.

2.4 Le protocole de test en extinction

L’exigence épistémologique la plus stricte formulée par Anthony Dickinson pour administrer la preuve de l’existence d’une action dirigée vers un but concerne les modalités de la phase d’évaluation finale : celle-ci doit impérativement être conduite en conditions d’extinction. Concrètement, lorsque l’animal dévalué est réintroduit dans la boîte de conditionnement opérant face au levier ou à la touche manipulatrice, l’exécution de l’action motrice n’entraîne plus la distribution d’aucun renforçateur.

Cette clause d’extinction est d’une importance capitale pour la validité logique de la démonstration :

• Si le renforçateur dévalué (rendu aversif ou saturé) était délivré au moment où l’animal presse le levier durant le test, l’animal entrerait en contact direct avec l’aliment repoussant. Il apprendrait alors en temps réel une nouvelle association : « presser le levier m’amène une substance nauséabonde ». Dès lors, l’arrêt des pressions sur le levier pourrait être imputé à un mécanisme de punition instrumentale directe ou à un nouvel apprentissage opérant, et non à l’utilisation préalable d’une représentation mentale de la valeur de ce but.
• En conduisant le test strictement en extinction, l’animal ne reçoit strictement rien. Par conséquent, s’il choisit spontanément de diminuer drastiquement sa fréquence d’appui sur le levier dès les premières secondes de la session, cette décision découle nécessairement d’une inférence computationnelle interne : le sujet combine la mémoire de la relation causale (l’action A entraîne le résultat O) et la mémoire du statut motivationnel réévalué de O (O est désormais désagréable). Le test en extinction est donc le seul moyen de sonder la « cognition pure » de l’agent sans la polluer par un feedback sensoriel immédiat.

3. L’expérience princeps d’Adams et Dickinson (1981) : Protocole et observations clés

3.1 Structure expérimentale et groupes d’entraînement

L’étude princeps menée par Colin D. Adams et Anthony Dickinson, publiée en 1981 dans le Quarterly Journal of Experimental Psychology, demeure l’un des monuments empiriques de l’histoire de la psychologie comportementale. Son objectif était de tester expérimentalement l’hypothèse audacieuse selon laquelle la nature même du contrôle sous-jacent au comportement instrumental change radicalement en fonction de la durée et de l’intensité de l’entraînement, opérant une transition temporelle graduelle d’une action téléologique (intentionnelle) vers une habitude sensorimotrice aveugle.

Pour ce faire, Adams et Dickinson ont soumis des cohortes de rats de laboratoire à un protocole d’apprentissage rigoureusement standardisé. Les animaux étaient entraînés à actionner un levier rétractable pour obtenir une récompense alimentaire hautement appétitive (des pastilles de saccharose). Les chercheurs ont créé deux conditions d’entraînement fondamentalement distinctes par leur ampleur :

• Le groupe à entraînement modéré : Les rats étaient exposés à un apprentissage restreint, recevant un total de seulement 100 à 120 renforcements instrumentaux répartis sur quelques sessions quotidiennes courtes. À ce stade, l’association opérante était bien établie et stable, mais le comportement conservait une certaine variabilité.
• Le groupe à entraînement extensif (surentraînement ou overtraining) : Les rats étaient soumis à un protocole d’entraînement massif et prolongé, totalisant plus de 500 renforcements (parfois étendu à plus de 1 000 essais dans des réplications ultérieures), induisant une pratique motrice intense, hautement répétitive et prolongée dans le temps.

Dans chacun de ces deux niveaux d’entraînement, la moitié des animaux subissait ensuite une dévaluation du saccharose par injection de chlorure de lithium (groupe Dévalué), tandis que l’autre moitié recevait des injections témoins non contingentes n’altérant pas la valeur appétitive du saccharose (groupe Non-Dévalué ou Contrôle).

3.2 Résultats après un entraînement modéré (action dirigée vers un but)

Les données recueillies par Adams et Dickinson lors de la phase de test en extinction chez les animaux ayant reçu un entraînement modéré ont constitué une confirmation éclatante des thèses cognitivistes de Dickinson. Réintroduits dans les cages de conditionnement en l’absence de toute distribution de nourriture, les rats du groupe dont le saccharose avait été dévalué par le LiCl ont manifesté un effondrement spectaculaire, immédiat et statistiquement massif de leur taux de pression sur le levier en comparaison des animaux du groupe témoin non dévalué.

Cette observation a balayé des décennies de dogme behavioriste strict. Puisque les animaux n’avaient jamais fait l’expérience de la nausée en présence du levier (la dévaluation s’étant déroulée dans un espace neutre totalement différent), le levier lui-même ne possédait aucune propriété aversive conditionnée directe. De surcroît, le test étant conduit en extinction absolue, aucune punition directe ne venait sanctionner le geste moteur. La réduction spontanée des pressions sur le levier démontrait de manière irréfutable que les animaux disposaient d’un accès computationnel direct à la chaîne de causalité interne : l’animal « savait » que presser le levier menait au saccharose, et considérant que le saccharose était désormais porteur d’une valence biologique toxique, il s’abstenait intentionnellement de déclencher l’action motrice. L’action après un entraînement modéré répondait ainsi pleinement à la définition d’une action dirigée vers un but, médiée par une structure associative de type A-O (Action-Outcome).

3.3 Résultats après un surapprentissage (transition vers l’habitude)

Cependant, le résultat le plus spectaculaire, et le plus révolutionnaire de l’expérience de 1981, résidait dans l’analyse des sujets soumis au surentraînement. Chez les rats ayant bénéficié d’un entraînement instrumental extensif (500 renforcements ou davantage), le profil comportemental s’est totalement métamorphosé. Lors du test en extinction, les animaux du groupe Dévalué ont continué de presser le levier à une fréquence rigoureusement identique à celle des animaux du groupe Non-Dévalué. Bien que l’aversion gustative pour le saccharose fût toujours parfaitement intacte — vérifiée par le fait que les rats refusaient absolument de manger les granules si on leur en déposait directement dans leur écuelle —, le comportement moteur sur le levier est apparu totalement insensible à cette dépréciation de la récompense.

L’acte moteur avait acquis une autonomie fonctionnelle complète par rapport à son résultat téléologique originel. L’organisme surentraîné pressait machinalement le levier sans que l’utilité courante du renforçateur n’exerce la moindre influence régulatrice sur la décision motrice. Adams et Dickinson apportaient ainsi la preuve empirique définitive de l’émergence d’une habitude motrice : le comportement était désormais passé sous le contrôle exclusif d’un couplage associatif direct de type Stimulus-Réponse (S-R). La présence du contexte opérant (les stimuli visuels et proprioceptifs de la cage) suffisait à déclencher la décharge motrice de façon quasi-balistique, attestant de l’évacuation de la représentation mentale du résultat lors de l’initiation de l’action.

4. La distinction théorique entre action dirigée vers un but et habitude

4.1 L’action dirigée vers un but (Goal-Directed Action)

La caractérisation théorique formalisée par Anthony Dickinson à l’issue de ces travaux repose sur une modélisation cognitive empruntant au cadre philosophique de la psychologie croyance-désir (Belief-Desire framework). Dans ce modèle, une action n’est authentiquement qualifiée d’action dirigée vers un but que si sa genèse computationnelle mobilise une représentation combinée de deux variables distinctes mais interdépendantes : la croyance causale et le désir motivationnel.

La croyance prend la forme d’un encodage propositionnel de la contingence action-résultat (A-O) : l’organisme possède la trace mnésique selon laquelle la probabilité d’occurrence du résultat spécifique $O$ sachant l’émission de l’action $A$ est supérieure à la probabilité d’occurrence de ce même résultat en l’absence de l’action, soit $P(O|A) > P(O|\text{non } A)$. Le désir, quant à lui, est conceptualisé sous forme d’une valeur incitative (incentive value) attribuée à la représentation de $O$, cette valeur étant modulée de façon dynamique par l’état physiologique interne du sujet (faim, soif, thermorégulation) ainsi que par son histoire hédonique récente (aversions acquises, apprentissages gustatifs). L’action est alors le fruit d’une inférence computationnelle évaluant le produit de ces deux composantes. Ce système offre une flexibilité adaptative maximale : si l’environnement modifie soudainement la disponibilité d’une ressource ou si les besoins physiologiques de l’organisme mutent de façon drastique, la structure décisionnelle peut recalculer immédiatement la trajectoire comportementale sans nécessiter de réapprentissage par essais et erreurs coûteux.

4.2 L’habitude motrice (Habit Learning)

À l’opposé de cette sophistication téléologique, le système d’habitudes motrices réhabilite l’orthodoxie formalisée jadis par Edward Thorndike et Clark Hull. L’apprentissage par habitude repose sur l’établissement progressif, lent et cumulatif, d’une association directe et directe entre la configuration sensorielle environnementale et le programme moteur exécutif (l’association S-R). Dans cette architecture, le résultat de l’action (O) disparaît complètement de l’équation décisionnelle en tant que représentation intermédiaire. Le stimulus contextuel (S) agit à la manière d’un déclencheur proximal qui libère automatiquement la réponse motrice (R).

D’un point de vue de l’économie cognitive, l’habitude présente des avantages évolutifs immenses :

• L’efficience computationnelle : En supprimant le calcul systématique des conséquences prévisionnelles et de leur valeur subjective, le système S-R libère des ressources attentionnelles et de mémoire de travail considérables, permettant au cerveau de consacrer son cortex supérieur à d’autres tâches complexes en parallèle.
• La vélocité d’exécution : La commande motrice court-circuite les étapes de délibération prospective arborescente, garantissant un temps de latence réactionnel minimal face aux pressions de l’environnement.
• La robustesse face au stress : Dans les situations de surcharge cognitive ou d’urgence vitale, les programmes automatisés fournissent une stabilité comportementale résiliente face à la dégradation des capacités exécutives supérieures.

Cependant, cette efficience a pour contrepartie inévitable une rigidité comportementale pathologique dès lors que les règles du milieu viennent à fluctuer.

4.3 L’arbitrage entre flexibilité et automaticité

L’un des postulats essentiels de Dickinson, étendu par la suite par des chercheurs tels que Bernard Balleine, Peter Dayan et Nathaniel Daw, est que les systèmes dirigé vers un but et habituel ne s’excluent pas mutuellement dans une relation d’incompatibilité absolue, mais fonctionnent en parallèle au sein de l’architecture neurobiologique de l’organisme. À chaque instant de la vie éveillée, ces deux contrôleurs traitent les flux sensorimoteurs et proposent concurremment des options d’action.

L’organisme se trouve ainsi confronté en permanence à un problème fondamental d’arbitrage (arbitration problem), consistant à déterminer quel système doit prendre le contrôle effectif des effecteurs moteurs. Cet arbitrage repose sur un compromis fondamental entre la flexibilité adaptative et le coût computationnel métabolique. L’action dirigée vers un but est hautement malléable mais cognitivement dispendieuse et lente ; l’habitude est rigide et aveugle aux conséquences immédiates, mais remarquablement économe et instantanée. Lorsque l’environnement est stationnaire, prédictible et stable, le basculement vers le contrôle habituel représente une stratégie évolutive optimale. En revanche, dans un milieu dynamique, volatil ou incertain, la persistance d’habitudes engendre des persévérations comportementales inadaptées, l’organisme continuant de déployer des routines motrices stériles ou désormais néfastes.

5. L’impact de l’ampleur de l’entraînement : Dynamique temporelle de la transition

5.1 La cinétique du surapprentissage (Overtraining)

L’un des apports méthodologiques les plus systématiques de l’école de Dickinson a consisté à cartographier précisément la cinétique temporelle selon laquelle s’opère la transition entre les deux contrôleurs. Lors des phases initiales d’acquisition d’une tâche instrumentale, chaque appui sur un manipulateur requiert une attention soutenue et génère une erreur de prédiction substantielle quant à l’occurrence de la conséquence. À ce stade, la sensibilité à la dévaluation du résultat est totale : l’action est indiscutablement contrôlée par le système dirigé vers un but.

Au fur et à mesure que les répétitions s’accumulent au cours du surentraînement (overtraining), on assiste à un phénomène d’asymptote comportementale :

• La variance des temps de réaction diminue drastiquement, le geste moteur devenant fluide, stéréotypé et balistique.
• L’erreur de prédiction s’annule presque intégralement à mesure que l’issue devient parfaitement prévisible dans ce contexte immuable.
• Sur le plan décisionnel, la force associative du système S-R croît continuellement de manière monotone en fonction du nombre absolu de renforcements reçus, finissant mathématiquement par dépasser le seuil d’influence du système A-O sur la commande motrice finale.

Des études paramétriques fines ont révélé qu’il existe un seuil critique d’essais — souvent de l’ordre de plusieurs centaines de renforcements continus chez le rongeur — marquant l’effondrement observable de la sensibilité à la dévaluation, scellant ainsi l’avènement opérationnel de l’habitude.

5.2 Le rôle du renforcement dans la cristallisation de l’habitude

La cristallisation de l’habitude au fil de la pratique intensive ne se réduit pas à une simple modification de pondérations mathématiques ; elle correspond à une réorganisation profonde de la structure spatiotemporelle du comportement lui-même. Au début de l’apprentissage, chaque composante d’une tâche motrice (par exemple : s’orienter vers la zone du levier, lever la patte antérieure, presser la barre, relâcher la pression, se diriger vers le distributeur alimentaire) constitue un acte isolé dépendant d’un retour sensoriel immédiat et d’un contrôle attentionnel constant.

Sous l’effet du surentraînement, le système nerveux opère une concaténation comportementale connue en psychologie cognitive et en neurosciences sous le terme de chunking moteur (ou tronçonnage). Les multiples segments élémentaires de l’action s’agglomèrent en une macro-unité motrice intégrée, exécutée comme un bloc indivisible dès que le stimulus initial est détecté. Des enregistrements électrophysiologiques conduits notamment dans le laboratoire d’Ann Graybiel au MIT ont apporté une confirmation éclatante de ce phénomène : l’activité neuronale dans les circuits striataux, initialement distribuée de façon homogène tout au long de l’action motrice, finit par se concentrer massivement aux frontières temporelles précises de la routine — lors de l’initiation du premier geste et à la complétion du dernier geste —, laissant l’exécution intermédiaire se dérouler de manière totalement automatique sous pilote automatique neurobiologique.

6. Programmes de renforcement et sensibilité à la contingence

6.1 Programmes à ratio variable (VR) versus intervalle variable (VI)

L’une des découvertes les plus contre-intuitives et fondamentales de Dickinson, étayée par une célèbre série d’expériences publiées en 1983 avec David Perez et Nicholas Adams, a été de démontrer que l’ampleur absolue de l’entraînement (le nombre total de répétitions) n’est pas le seul facteur déterminant l’émergence d’une habitude : la structure statistique temporelle du programme de renforcement joue un rôle déterminant et asymétrique.

Dickinson et ses collègues ont comparé deux grands régimes classiques de distribution opérante délivrant rigoureusement la même quantité globale de récompenses pour un taux de réponse comparable :

• Les programmes à ratio variable (Variable Ratio – VR) : Dans ce type de programme, la délivrance de la récompense dépend exclusivement du nombre d’actions émises (par exemple, en moyenne une récompense tous les vingt appuis sur le levier, indépendamment du temps écoulé). Mathématiquement, il existe une corrélation linéaire locale parfaite entre le taux de réponse du sujet et le taux d’obtention du renforçateur : plus l’animal presse vite le levier, plus il gagne de la nourriture.
• Les programmes à intervalle variable (Variable Interval – VI) : Ici, la récompense n’est rendue disponible qu’après l’écoulement d’un intervalle temporel pseudo-aléatoire (par exemple, un intervalle moyen de soixante secondes). Une fois ce délai écoulé, la toute première pression sur le levier déclenche la distribution de la pastille. Dans ce cas, la corrélation locale entre la fréquence d’action et le taux de renforcement est virtuellement nulle : presser le levier à une fréquence effrénée n’augmente en rien le nombre de récompenses obtenues par unité de temps.

Les résultats empiriques obtenus par Dickinson furent stupéfiants : même après un nombre colossal d’essais et des semaines d’entraînement, les animaux soumis à un programme à ratio variable (VR) maintiennent une sensibilité quasi-inaltérable à la dévaluation du résultat, leur comportement demeurant constamment dirigé vers un but. À l’inverse, les animaux soumis à un programme à intervalle variable (VI) basculent avec une rapidité déconcertante dans le mode de l’habitude mécanique (insensibilité précoce à la dévaluation), même après un nombre modeste de renforcements. L’explication computationnelle proposée par Dickinson est d’une grande élégance : le système dirigé vers un but s’appuie sur la détection de la causalité différentielle locale. Lorsque le taux de renforcement est mathématiquement corrélé à la vitesse de réponse (VR), la contingence causale $A \rightarrow O$ est hautement saillante, ce qui nourrit et préserve activement le modèle mental téléologique. Dès lors que cette relation causale locale disparaît au profit d’une contrainte purement temporelle (VI), le système $A-O$ échoue à maintenir sa saillance, laissant le champ libre à l’ancrage direct de l’association $S-R$.

6.2 Le test de dégradation de contingence

Conscient que la dévaluation du résultat ne constitue que l’une des deux faces du concept d’action dirigée vers un but, Anthony Dickinson a développé un second test diagnostique symétrique et tout aussi indispensable : la dégradation de contingence (contingency degradation).

Ce paradigme s’attaque directement au critère de la croyance causale. Il s’agit de manipuler la probabilité que le résultat apparaisse spontanément sans que l’action ne soit requise. Dans une session de base, le sujet sait que presser le levier augmente la probabilité de recevoir le granule : $P(O|A) > P(O|\text{non } A)$. Pour dégrader cette contingence causale sans altérer la valeur de la récompense (l’aliment restant éminemment délicieux et désiré par l’animal affamé), l’expérimentateur programme la délivrance d’un nombre identique de granules de façon « gratuite » et non contingente pendant les intervalles où l’animal ne presse pas le levier. En égalisant la probabilité de recevoir le renforçateur que l’on agisse ou que l’on s’abstienne d’agir, soit :
$$P(O|A) = P(O|\text{non } A)$$
le levier perd toute son efficacité causale objective.

Si le comportement de l’animal est dirigé vers un but, le sujet détecte cette nullité causale et cesse de gaspiller son énergie motrice : le taux d’appui sur le levier s’effondre sélectivement. En revanche, si le comportement est devenu une habitude motrice (sous le joug de l’association S-R forgée par un surapprentissage ou un programme VI), l’animal continue de presser le levier de manière stérile, démontrant son incapacité à adapter son action à la rupture de la relation de causalité instrumentale. Avec la dévaluation du résultat, le test de dégradation de contingence forme le socle bipartite inattaquable sur lequel repose la caractérisation moderne de l’intentionnalité causale en psychologie comparée.

7. Les bases neurobiologiques du système dirigé vers un but

7.1 Le rôle déterminant du striatum dorsomédian (DMS)

L’élucidation comportementale initiée par Dickinson a ouvert une voie royale pour la cartographie des substrats anatomiques et des réseaux neuronaux sous-tendant la sélection de l’action. Des décennies de recherches neurobiologiques — portées de manière prééminente par Bernard Balleine, Laura Corbit, Patricia Janak et John O’Doherty — ont révélé que la dichotomie fonctionnelle formulée par Dickinson est adossée à une ségrégation topographique rigoureuse au sein des circuits cortico-ganglions de la base.

Le siège sous-cortical nodal du système dirigé vers un but est le striatum dorsomédian (DMS, pour dorsomedial striatum) chez le rongeur, structure homologous au noyau caudé chez les primates et l’humain. Des études pionnières d’excision chirurgicale ou d’inactivation pharmacologique ciblée (par perfusion de muscimol ou d’antagonistes glutamatergiques) ont démontré que des lésions sélectives du DMS, réalisées avant ou même immédiatement après l’apprentissage instrumental, rendent l’animal définitivement incapable de manifester une sensibilité à la dévaluation du résultat ou à la dégradation de contingence. L’animal lésé au niveau du DMS peut acquérir la tâche motrice avec une vitesse et une efficacité normales, mais son comportement prend instantanément les propriétés d’une habitude inflexible et autonome (S-R).

Le striatum dorsomédian opère ainsi comme un intégrateur critique qui encode de façon combinatoire la mémoire de la relation causale action-résultat et la valeur dynamique attribuée au but. Ses neurones épineux moyens (MSN) reçoivent des projections topographiques ordonnées depuis les aires corticales associatives et préfrontales, transformant les signaux d’intention cognitive en programmes d’orientation motrice graduée.

7.2 Le cortex préfrontal médian et le cortex prélimbique

Le contrôle computationnel de l’action dirigée vers un but implique une boucle récurrente reliant le striatum dorsomédian aux structures corticales antérieures, au sein de laquelle le cortex prélimbique (PL) — subdivision anatomique du cortex préfrontal médian (mPFC) chez le rongeur — exerce un rôle de chef d’orchestre décisionnel. De multiples travaux démontrent que l’inactivation transitoire ou l’ablation du cortex prélimbique abolit de manière irréversible la capacité de l’animal à moduler ses réponses motrices en fonction de la nouvelle valeur du résultat lors du test en extinction.

Le cortex prélimbique n’héberge pas simplement des représentations statiques ; il intègre en temps réel les états motivationnels intéroceptifs du sujet (signaux homéostatiques d’hypoglycémie, soif, aversions mémorisées) avec les modèles prédictifs du comportement moteur. Cette dynamique repose sur des connexions glutamatergiques réciproques d’une extrême précision avec le DMS. Si cette communication corticostriatale est rompue — par exemple par une approche d’inactivation unilatérale croisée (lésion prélimbique dans un hémisphère et lésion dorsomédiane dans l’hémisphère controlatéral) —, l’animal perd instantanément sa flexibilité téléologique, confirmant que c’est bien l’intégrité de la boucle unifiée PL-DMS qui confère au comportement sa nature d’action dirigée vers un but.

7.3 L’amygdale basolatérale et le cortex orbitofrontal

Pour qu’un but motive une action, encore faut-il que sa valeur incitative spécifique soit encodée, actualisée et projetée vers les structures de planification motrice. Deux structures cérébrales majeures travaillent en étroite collaboration avec le circuit PL-DMS pour sous-tendre ce calcul hédonique et prédictif : le cortex orbitofrontal (OFC) et le complexe de l’amygdale basolatérale (BLA).

Le complexe de l’amygdale basolatérale (BLA) est spécifiquement responsable de la représentation des propriétés sensorielles singulières et de la valeur affective intrinsèque du renforçateur. Des animaux présentant une lésion ciblée de la BLA sont parfaitement capables de discriminer gustativement des aliments et d’apprendre une tâche opérante simple ; en revanche, ils échouent lamentablement au test de dévaluation du résultat. L’amygdale basolatérale semble agir comme le réservoir mémoriel qui permet à l’organisme de réactiver l’attribut affectif spécifique d’une récompense absente à l’instant où l’opportunité d’agir se présente.

De son côté, le cortex orbitofrontal (OFC) assure la computation des représentations prospectives et prédictives des états de récompense attendus (concept de cognitive map des conséquences). Les neurones de l’OFC déchargent de manière phasique en anticipation des propriétés sensorielles spécifiques de l’aliment attendu. Si l’OFC est désactivé, l’animal est incapable d’inférer la nouvelle valeur d’un but dans un contexte d’extinction, c’est-à-dire en l’absence de perception directe de l’aliment. Les réseaux interconnectés BLA-OFC transmettent cette valeur incitative courante au cortex prélimbique et au striatum dorsomédian, fournissant le carburant motivationnel indispensable à l’exercice d’une action volontaire flexible.

8. Les substrats neurobiologiques du système d’habitudes

8.1 Le striatum dorsolatéral (DLS) et le putamen

À mesure que l’apprentissage progresse et que l’habitude se substitue au contrôle dirigé vers un but, le centre de gravité de l’activité au sein des ganglions de la base subit un glissement topographique latéral spectaculaire. Le substrat sous-cortical prééminent du système d’habitudes est le striatum dorsolatéral (DLS, pour dorsolateral striatum) chez le rongeur, correspondant anatomiquement et fonctionnellement au putamen chez les primates non humains et l’humain.

Les preuves neurophysiologiques et causales impliquant le DLS dans la formation et l’expression des habitudes sont écrasantes :

• Des lésions ou inactivations ciblées du DLS chez des animaux surentraînés (ayant accumulé des centaines d’essais et devenus totalement insensibles à la dévaluation du résultat) produisent un effet de restauration prodigieux : les rats redeviennent instantanément sensibles à la dévaluation de la récompense ! L’inhibition du DLS réveille et libère le système dirigé vers un but latent, qui était jusque-là masqué par la dominance du circuit habituel.
• Sur le plan électrophysiologique, l’enregistrement de neurones individuels du DLS au cours de l’acquisition prolongée montre l’émergence progressive de l’activité en bloc moteur (task-bracketing), où les décharges neuronales encadrent strictement le début et la fin de la séquence comportementale automatisée, fonctionnant comme un canal d’exécution sensori-moteur étanche.

Le DLS reçoit des afférences massives en provenance des cortex moteur primaire et somatosensoriel, établissant le substrat synaptique idéal pour l’ancrage pérenne des liaisons S-R.

8.2 Le cortex infralimbique comme commutateur exécutif

Si le DLS exécute les programmes moteurs de l’habitude, quelle structure décide de son déploiement au détriment du système dirigé vers un but ? Des recherches fascinantes, menées notamment par le groupe d’Ann Graybiel et celui de Patricio O’Donnell, ont identifié le cortex infralimbique (IL) — structure ventrale adjacente au cortex prélimbique au sein du cortex préfrontal médian — comme le véritable « commutateur hiérarchique » de l’action.

Le cortex infralimbique n’encode pas directement la trace S-R motrice ; il exerce une régulation descendante (top-down gating) qui inhibe l’accès du système dirigé vers un but aux voies de sortie comportementales motrices. L’utilisation d’outils d’optogénétique d’une précision temporelle millimétrique a permis de démontrer ce mécanisme de manière saisissante :

• Lorsqu’un animal surentraîné manifeste une habitude motrice inflexible, une inhibition photochimique transitoire du cortex infralimbique par illumination laser d’une pompe à chlorure halorhodopsine, appliquée strictement pendant la demi-seconde où l’animal initie son geste vers le levier, brise instantanément l’expression de l’habitude et rétablit un comportement téléologique immédiatement sensible à la dévaluation du résultat !
• De façon tout aussi spectaculaire, une fois l’inhibition optogénétique levée lors des sessions subséquentes, le comportement habituel peut réapparaître ou céder durablement le pas à une nouvelle flexibilité, prouvant que le cortex infralimbique agit comme un arbitre exécutif dont la fonction normale est d’imposer le monopole de la routine dès lors qu’un seuil de répétition environnementale a été franchi.

8.3 La modulation dopaminergique striatale

La dynamique de transition entre DMS et DLS ainsi que l’ancrage structural des habitudes sont puissamment orchestrés par les voies dopaminergiques ascendantes issues du mésencéphale, à savoir l’aire tegmentale ventrale (VTA) et la substance noire compacte (SNc, pour substantia nigra pars compacta). Bien que la dopamine ait été canoniquement associée à la signalisation de l’erreur de prédiction de la récompense (modèle de Schultz, Dayan et Montague), ses fonctions divergent profondément selon les compartiments striataux qu’elle innerve.

Tandis que les projections dopaminergiques vers le striatum ventral et le striatum dorsomédian soutiennent l’apprentissage prédictif flexible et la mise à jour constante des représentations contingentes A-O, les afférences dopaminergiques de la substance noire projetant spécifiquement vers le striatum dorsolatéral (DLS) sous-tendent la consolidation synaptique à long terme des associations S-R. Des mécanismes de plasticité synaptique dépendante de la dopamine, tels que la potentialisation à long terme (LTP) et la dépression à long terme (LTD) au niveau des épines dendritiques des neurones du DLS, sont indispensables à la cristallisation de l’habitude motrice. Si l’on bloque les récepteurs dopaminergiques D1 ou D2 au sein du DLS pendant la phase de surentraînement, le comportement de l’animal refuse obstinément de basculer dans le régime de l’habitude et demeure perpétuellement sensible à la dévaluation du résultat.

9. Modélisation computationnelle : Apprentissage Model-Based versus Model-Free

9.1 L’approche computationnelle de Daw, Niv et Dayan (2005)

L’un des accomplissements intellectuels les plus saisissants de ce siècle a été la convergence formelle entre la psychologie expérimentale d’Anthony Dickinson et les sciences informatiques de l’intelligence artificielle. Dans un article fondateur publié en 2005 dans Nature Neuroscience, Nathaniel Daw, Yael Niv et Peter Dayan ont apporté une formalisation mathématique rigoureuse à la distinction dichotomique but-habitude en transposant le cadre de l’apprentissage par renforcement computationnel (computational reinforcement learning).

Les auteurs ont établi un isomorphisme parfait entre :

• L’action dirigée vers un but et l’apprentissage fondé sur un modèle (Model-Based RL) : Dans ce paradigme, l’agent computationnel construit et maintient une véritable carte interne de son environnement sous la forme d’un processus de décision markovien (MDP). Ce modèle comprend une matrice de transition d’états $T(s, a, s’)$ quantifiant la probabilité de passer de l’état $s$ à l’état $s’$ en exécutant l’action $a$, ainsi qu’une fonction de récompense scalaire $R(s, a)$. Lorsqu’une décision est requise, l’agent procède à une recherche arborescente prospective (tree-search) en parcourant mentalement les branches futures possibles pour calculer la valeur de l’action par programmation dynamique (équation d’optimalité de Bellman). Si la valeur d’une issue finale est soudainement mise à zéro (dévaluation), l’arbre prospectif recalcule instantanément la nouvelle valeur attendue de l’action sans avoir besoin de la déployer concrètement.
• L’habitude motrice et l’apprentissage sans modèle (Model-Free RL) : L’agent s’épargne la charge de construire une carte des états futurs. Il utilise des algorithmes de type différences temporelles (Temporal-Difference learning, tels que le Q-learning ou SARSA) pour attribuer directement une valeur scalaire numérique, notée $Q(s,a)$, à chaque paire stimulus-action. Cette valeur $Q$ est mise à jour rétrospectivement par l’erreur de prédiction dopaminergique $\delta_t$ uniquement au moment où l’action est exécutée et que la conséquence survient. Dès lors, si l’on dévalue un aliment sans que l’action ne soit émise, la valeur $Q(s,a)$ reste mathématiquement inchangée en mémoire. L’agent continue de déployer l’action mécanique en présence de $s$ jusqu’à ce que de multiples rétroactions d’erreurs locales viennent lentement éroder la valeur accumulée. Le modèle Model-Free est l’incarnation computationnelle exacte de l’associationnisme S-R thorndikien.

9.2 L’arbitrage bayésien entre les deux contrôleurs

Une fois formalisée cette dualité computationnelle, comment le système nerveux central arbitre-t-il entre ces deux algorithmes concurrents pour assigner la commande finale des effecteurs moteurs ? Daw, Niv et Dayan (2005) ont formulé l’hypothèse révolutionnaire d’un arbitre bayésien fondé sur l’estimation de l’incertitude (uncertainty-based arbitration).

Chaque contrôleur émet non seulement une estimation de la valeur de l’action, mais également une estimation de son propre niveau d’incertitude épistémique quant à cette valeur :

• Au début de l’apprentissage, les associations statistiques sont rares. Le modèle Model-Free présente une incertitude colossale, car ses valeurs $Q$ s’appuient sur un nombre très restreint de rétroactions temporelles accumulées. À l’inverse, l’agent Model-Based peut construire très rapidement une cartographie causale de l’environnement dès les premières transitions observées. L’arbitre bayésien pondère les commandes en fonction de l’inverse de leur variance d’estimation : le contrôleur Model-Based (action dirigée vers un but) prend donc massivement le dessus décisionnel.
• À mesure que les essais se comptent par centaines, la variance du modèle Model-Free décroît de manière continue et asymptotique. En vertu de la loi des grands nombres, ses valeurs $Q$ deviennent statistiquement robustes et quasi-infaillibles quant au rendement historique de l’acte. Dans le même temps, le contrôleur Model-Based souffre d’un handicap intrinsèque inhérent au bruit computationnel et à la propagation de l’incertitude le long des branches d’arbres prédictifs profonds, sans compter un coût métabolique et attentionnel exponentiel. Lorsque l’incertitude de l’estimation Model-Free devient inférieure à celle de l’algorithme Model-Based, l’arbitre bascule rationnellement l’autorité comportementale vers le système Model-Free (habitude).

Cette théorisation algorithmique confère une élégance formelle sublime aux observations pionnières d’Adams et Dickinson de 1981 : l’habitude n’est pas un dysfonctionnement passif ou une simple usure cognitive, mais une stratégie de délégation computationnelle rationnelle optimisant l’allocation des ressources métaboliques du cerveau.

10. Implications cliniques : Pathologies de l’arbitrage entre but et habitude

10.1 Les troubles de l’usage de substances et l’addiction

L’un des retombées médicales les plus profondes du travail d’Anthony Dickinson s’exprime dans la compréhension contemporaine de l’addiction aux drogues. Les modèles psychiatriques modernes — portés notamment par les travaux de Trevor Robbins, Barry Everitt et David Belin — conceptualisent l’addiction non pas comme un simple désordre du plaisir hédonique (l’euphorie de la défonce s’émoussant fréquemment avec la tolérance), mais comme une pathologie spécifique de la transition entre l’action dirigée vers un but et l’habitude compulsive.

Au début du parcours de consommation, la prise de drogue est une action dirigée vers un but : le sujet consomme la substance pour obtenir un effet psychologique spécifique (euphorie, stimulation, sédation de l’angoisse). L’acte est sensible à la valeur et aux alternatives. Cependant, l’exposition chronique aux substances psychoactives (cocaïne, héroïne, alcool, nicotine) pirate la neuroplasticité des voies mésostriatales en provoquant des libérations massives et anormales de dopamine. Cet afflux chimique artificiel accélère de manière foudroyante la consolidation synaptique au sein du striatum dorsolatéral (DLS) tout en induisant une atrophie structurale et une hypoactivité métabolique sévère au niveau du cortex préfrontal médian et orbitofrontal. Il en résulte un effondrement prématuré et irréversible du contrôle dirigé vers un but et une hypersensibilisation du système d’habitudes S-R. L’acte de consommer devient une routine motrice compulsive déclenchée directement par les stimuli contextuels associés (présence d’un lieu, d’une seringue, d’un pair). Crucialement, cette conduite persiste avec obstination même lorsque les conséquences dévaluées deviennent dramatiquement aversives (perte d’emploi, ruine financière, délabrement somatique, peines pénales), illustrant l’insensibilité tragique de l’habitude motrice découplée de son résultat réel.

10.2 Le trouble obsessionnel-compulsif (TOC)

Une translation clinique tout aussi féconde s’est opérée dans la compréhension du trouble obsessionnel-compulsif (TOC). Pendant des décennies, la sémiologie psychiatrique a appréhendé le TOC comme une pathologie primaire de la pensée : les obsessions (pensées anxiogènes intrusives concernant la contamination, le désordre ou une catastrophe imminente) étaient présumées engendrer secondairement les compulsions motrices (lavage répété des mains, vérification compulsive des serrures) comme une tentative rationnelle de soulager l’angoisse.

Or, les paradigmes de dévaluation inspirés des travaux de Dickinson administrés à des patients souffrant de TOC — conduits de façon pionnière par Sanne de Wit et Claire Gillan — ont radicalement inversé cette causalité psychologique :

• Les patients atteints de TOC présentent un déficit structurel sévère et endogène du système dirigé vers un but (caractérisé par une hypoactivation fonctionnelle du noyau caudé et du cortex orbitofrontal en IRMf), combiné à une hyperactivité pathologique du putamen sensorimoteur.
• Soumis à des tâches expérimentales informatisées de dévaluation de renforçateurs alimentaires ou monétaires, les patients continuent machinalement d’exécuter les réponses motrices évitant un choc électrique ou actionnant des touches associées à des points fictifs alors même que les stimuli aversifs ont été désactivés ou que les points ne rapportent plus aucun gain.
• Cette découverte a donné naissance à l’hypothèse dite « de l’habitude première » : le patient souffrant de TOC possède un cerveau dont le système d’habitudes s’emballe de manière autonome, générant des routines motrices répétitives incoercibles. L’obsession cognitive ne serait alors qu’une rationalisation rétrospective (ou confabulation) élaborée par le cortex préfrontal pour donner un sens téléologique a posteriori à un comportement moteur dénué de but et devenu incontrôlable.

10.3 Les troubles des conduites alimentaires et l’anorexie mentale

Le spectre des pathologies de l’arbitrage but-habitude s’étend également de façon éclairante aux troubles des conduites alimentaires, et tout particulièrement à l’anorexie mentale. Dans les phases initiales de la pathologie, la restriction calorique, le comptage méticuleux des calories et la pratique sportive excessive sont des actions délibérément orientées vers un but explicite : la perte de poids, la maîtrise corporelle ou l’obtention d’une valorisation identitaire.

Néanmoins, au fil de la chronicisation du trouble et sous l’impact biologique dévastateur de la dénutrition sévère sur le cortex cérébral, ces conduites de restriction subissent un processus de « cristallisation habituelle ». Les rituels de tri des aliments, la pesée systématique et l’évitement compulsif des lipides se transforment en automatismes comportementaux hermétiques aux signaux intéroceptifs homéostatiques de faim et aux alertes vitales de défaillance somatique. L’anorexie mentale sévère partage ainsi une architecture neuro-computationnelle commune avec les addictions, caractérisée par une dominance anormale du striatum sensorimoteur et un verrouillage des boucles d’habitudes motrices réfractaires aux approches psychothérapeutiques discursives traditionnelles, appelant le développement d’interventions ciblées visant à restaurer la plasticité du système A-O.

11. Évaluations critiques, réplications et controverses théoriques

11.1 Les débats méthodologiques entourant la réplication chez l’humain

Si la démonstration d’Anthony Dickinson a été universellement acceptée dans le champ du comportement animal chez le rongeur, la transposition et la réplication fidèle de ces phénomènes chez l’être humain sain en milieu de laboratoire ont suscité d’intenses débats méthodologiques au cours des deux dernières décennies. De nombreuses études ont en effet éprouvé de remarquables difficultés à induire de véritables habitudes chez des sujets humains au cours d’expériences de laboratoire de courte durée (sessions de 30 à 60 minutes).

Ces controverses s’articulent autour de plusieurs écueils expérimentaux :

• La puissance cognitive du contrôle conscient : L’être humain adulte possède un cortex préfrontal hautement développé et une capacité de verbalisation métacognitive qui ont tendance à maintenir artificiellement le système dirigé vers un but éveillé, même face à des tâches monotones. L’animal en boîte de Skinner effectue des milliers d’essais en situation de survie alimentaire, ce qui n’est pas comparable à un étudiant volontaire jouant sur un écran tactile pendant quarante minutes pour quelques euros.
• Les biais d’instruction et la demande implicite : Lorsqu’un sujet humain continue de presser une touche malgré la dévaluation d’un stimulus visuel, il est souvent difficile de démêler s’il s’agit d’une habitude motrice sensorimotrice inconsciente authentique ou d’une mauvaise interprétation des instructions expérimentales (par exemple, le sujet pensant que l’expérimentateur attend de lui qu’il continue d’appuyer pour valider la tâche).
• Le facteur critique de la pression temporelle : Des équipes de recherche contemporaines, notamment celles de Sanne de Wit et de Tom Hardwick, ont montré que pour démasquer l’habitude chez l’humain, il est impératif d’imposer des contraintes temporelles d’exécution très strictes (latences de réponse inférieures à 300 millisecondes) ou d’imposer une tâche de surcharge cognitive simultanée en mémoire de travail, confirmant que l’habitude humaine n’apparaît au grand jour que lorsque le système délibératif supérieur est délibérément saturé ou empêché d’intervenir.

11.2 Les remises en cause du modèle dual strict

Sur le plan théorique, l’architecture duale rigide proposée initialement par Dickinson — dichotomie tranchée entre A-O et S-R — a fait l’objet de révisions conceptuelles stimulantes émanant de théoriciens de l’apprentissage contemporains. L’une des principales critiques réside dans les modèles computationnels unifiés dits « à processus unique » (single-process models), qui soutiennent qu’il n’est pas biologiquement nécessaire de postuler deux systèmes physiquement et algorithmiquement séparés. Ces modèles suggèrent que le comportement observé pourrait être généré par un système d’apprentissage unique fondé sur des représentations propositionnelles enrichies ou des modèles prédictifs continus dont la granularité spatio-temporelle ou la profondeur de calcul varierait simplement selon le degré d’attention alloué.

Un autre défi théorique de taille provient de l’interaction constante entre les réflexes pavloviens et le comportement instrumental, illustrée par le phénomène de transfert pavlovien-instrumental (PIT, pour Pavlovian-to-Instrumental Transfer). Le transfert pavlovien démontre qu’un stimulus environnemental conditionné associé de manière purement passive à une récompense peut revigorer ou biaiser l’exécution d’une action opérante sans que celle-ci ne réponde aux critères purs d’une action dirigée vers un but ni d’une habitude motrice motrice classique. Le PIT se décline en deux variantes :

• Le PIT spécifique : Le stimulus pavlovien réactive la représentation sensorielle précise d’un renforçateur, orientant sélectivement le choix vers l’action menant à ce même renforçateur.
• Le PIT général : Le stimulus pavlovien déclenche un état d’éveil motivationnel diffus qui amplifie l’ensemble des réponses motrices disponibles, indépendamment de leur résultat spécifique.

L’existence de ces influences pavloviennes directes sur la prise de décision souligne la complexité de l’écosystème cognitif réel, dans lequel les contingences de Dickinson s’insèrent au sein d’un entrelacs d’influences motivationnelles et réflexes plus vastes que ne le laissait présager le dualisme expérimental originel.

12. Synthèse épistémologique et portée contemporaine des découvertes de Dickinson

12.1 L’héritage d’Anthony Dickinson dans les sciences comportementales

L’œuvre d’Anthony Dickinson restera dans l’histoire des sciences du comportement comme l’une des réalisations épistémologiques les plus décisives de la seconde moitié du XXe siècle. En introduisant le paradigme de dévaluation du résultat et les critères opérationnels de contingence, Dickinson a réussi le tour de force de conférer une assise expérimentale irréfutable à la notion d’intentionnalité animale. Loin des débats métaphysiques stériles sur la conscience ou l’âme des bêtes, Dickinson a démontré qu’il est possible de tester avec une rigueur mathématique l’existence de représentations mentales causales internes chez un animal de laboratoire non verbal.

Cet accomplissement a servi de pont intellectuel magistral entre des disciplines qui s’ignoraient ou s’affrontaient :

• Il a réconcilié la rigueur méthodologique du behaviorisme opérant avec la richesse conceptuelle de la psychologie cognitive et de la philosophie de l’esprit analytique.
• Il a offert à la neurobiologie des systèmes un cadre expérimental d’une netteté cristalline, permettant d’identifier avec exactitude les fonctions computationnelles respectives des différents sous-systèmes corticostriataux (caudé/putamen, prélimbique/infralimbique).
• Il a posé les fondations conceptuelles de l’intelligence artificielle contemporaine et de la robotique autonome, où les architectures logicielles hybrides combinent systématiquement des planificateurs prédictifs prospectifs arborescents (model-based) et des moteurs d’exécution réactifs ultra-rapides (model-free) directement inspirés de l’arbitrage dickinsonien.

12.2 Perspectives futures de recherche

Quarante ans après l’expérience princeps d’Adams et Dickinson de 1981, la frontière de la recherche sur l’apprentissage dirigé vers un but versus habitude demeure d’une vitalité extraordinaire. Les avancées technologiques contemporaines permettent désormais de sonder ces architectures à une résolution autrefois impensable :

• L’imagerie calcique biphotonique et les sondes Neuropixels : L’enregistrement simultané de milliers de neurones identifiés au sein des circuits corticostriataux chez des animaux en libre mouvement permet d’assister en direct, essai après essai, à la réorganisation synaptique et au glissement progressif des assemblées de neurones du striatum dorsomédian vers le striatum dorsolatéral durant la cristallisation de l’habitude motrice.
• La neuromodulation en boucle fermée et la psychiatrie translationnelle : En s’appuyant sur la modélisation computationnelle fine des déficits de l’arbitrage but-habitude, des équipes cliniques expérimentent des protocoles de stimulation cérébrale profonde (DBS) du striatum ou de stimulation magnétique transcrânienne (TMS) ciblant le cortex préfrontal médian pour restaurer la flexibilité décisionnelle chez des patients réfractaires atteints de troubles obsessionnels-compulsifs sévères ou d’addictions chroniques.
• L’écologie de la décision et les neurosciences sociales : Les chercheurs intègrent désormais l’impact des environnements numériques contemporains, des réseaux sociaux et de l’exposition continue à des flux de micro-stimulations algorithmiques conçus précisément pour exploiter la vulnérabilité du cerveau humain à l’automatisation sensorimotrice précoce. La compréhension des mécanismes décrits par Dickinson s’avère plus que jamais essentielle pour comprendre comment nos modes de vie contemporains modèlent, affaiblissent ou subliment notre capacité fondamentale à agir en fonction de buts librement et délibérément choisis.

Références

• Adams, C. D., & Dickinson, A. (1981). Instrumental responding following reinforcer devaluation. Quarterly Journal of Experimental Psychology Section B: Comparative and Physiological Psychology, 33(2), 109–121. https://doi.org/10.1080/14640748108400816
• Balleine, B. W., & Dickinson, A. (1998). Goal-directed instrumental action: contingency and incentive learning and their cortical substrates. Neuropharmacology, 37(4-5), 407–419. https://doi.org/10.1016/S0028-3908(98)00033-1
• Balleine, B. W., & O’Doherty, J. P. (2010). Human and rodent homologies in action control: corticostriatal determinants of goal-directed and habitual action. Neuropsychopharmacology, 35(1), 48–69. https://doi.org/10.1038/npp.2009.131
• Corbit, L. H., & Balleine, B. W. (2005). Double dissociation with respect to the effects of dorsal striatal lesions on instrumental conditioning. Journal of Neuroscience, 25(4), 1014–1021. https://doi.org/10.1523/JNEUROSCI.4507-04.2005
• Daw, N. D., Niv, Y., & Dayan, P. (2005). Uncertainty-based competition between prefrontal and dorsolateral striatal systems for behavioral control. Nature Neuroscience, 8(12), 1704–1711. https://doi.org/10.1038/nn1560
• de Wit, S., Watson, P., Wiers, R. W., & Dickinson, A. (2018). The cognitive neuroscience of human habit formation. Current Opinion in Behavioral Sciences, 20, 114–122. https://doi.org/10.1016/j.cobeha.2017.12.012
• Dickinson, A. (1985). Actions and habits: the development of behavioural autonomy. Philosophical Transactions of the Royal Society of London. B, Biological Sciences, 308(1135), 67–78. https://doi.org/10.1098/rstb.1985.0010
• Dickinson, A., & Balleine, B. W. (1994). Motivational control of goal-directed action. Animal Learning & Behavior, 22(1), 1–18. https://doi.org/10.3758/BF03199951
• Dickinson, A., Nicholas, D. J., & Adams, C. D. (1983). The effect of the instrumental training contingency on susceptibility to reinforcer devaluation. Quarterly Journal of Experimental Psychology Section B: Comparative and Physiological Psychology, 35(1), 35–51. https://doi.org/10.1080/14640748308400912
• Everitt, B. J., & Robbins, T. W. (2005). Neural systems of reinforcement for drug addiction: from actions to habits to compulsion. Nature Neuroscience, 8(11), 1481–1489. https://doi.org/10.1038/nn1579
• Gillan, C. M., Kosinski, M., Whelan, R., Phelps, E. A., & Daw, N. D. (2016). Characterizing a psychiatric symptom dimension related to deficits in goal-directed control. eLife, 5, e11305. https://doi.org/10.7554/eLife.11305
• Graybiel, A. M. (2008). Habits, rituals, and the evaluative brain. Annual Review of Neuroscience, 31, 359–387. https://doi.org/10.1146/annurev.neuro.29.051605.112851
• Killcross, S., & Coutureau, E. (2003). Coordination of feedforward and feedback mechanisms in prefrontal striatal loops during the development of habit. Journal of Neuroscience, 23(32), 10348–10354. https://doi.org/10.1523/JNEUROSCI.23-32-10348.2003
• Smith, K. S., & Graybiel, A. M. (2013). A dual operator view of habitual behavior reflecting cortical and striatal dynamics. Neuron, 79(2), 361–374. https://doi.org/10.1016/j.neuron.2013.05.038
• Tolman, E. C. (1948). Cognitive maps in rats and men. Psychological Review, 55(4), 189–208. https://doi.org/10.1037/h0061626
• Yin, H. H., & Knowlton, B. J. (2006). The role of the basal ganglia in habit formation. Nature Reviews Neuroscience, 7(6), 464–476. https://doi.org/10.1038/nrn1919