William Estes – 1919 2011

Biography

Dans l’histoire des sciences de l’esprit et du comportement, peu de figures ont exercé une influence théorique aussi profonde, rigoureuse et durable que William Kaye Estes (1919-2011). Émergeant à une époque où la psychologie expérimentale américaine oscillait entre le béhaviorisme radical de son mentor B.F. Skinner et les théories quantitatives mais rigides de Clark Hull, Estes a inauguré une révolution silencieuse. Il a été l’artisan majeur du passage d’une psychologie descriptive ou spéculative à une science exacte, régie par des axiomes probabilistes, des modèles stochastiques et une formalisation mathématique de haute volée. Son œuvre titanesque, qui s’étend sur plus de six décennies, a jeté les ponts indispensables entre l’analyse expérimentale du conditionnement animal et l’architecture computationnelle des sciences cognitives contemporaines.

L’audace intellectuelle d’Estes réside dans sa capacité précoce à concevoir l’organisme apprenant non pas comme un automate déterministe réagissant passivement à des stimuli globaux, mais comme un système de traitement de l’information échantillonnant activement et statistiquement les micro-composantes de son environnement. En fondant la théorie de l’échantillonnage des stimuli (Stimulus Sampling Theory), puis en participant activement à la naissance de la psychologie mathématique, Estes a introduit une rigueur d’analyse comparable à celle de la physique statistique ou de la génétique des populations. Ses découvertes ont profondément redéfini notre compréhension de l’apprentissage élémentaire, de la mémoire sérielle, du rappel libre, de l’attention sélective et des processus fondamentaux de catégorisation humaine.

Ce traité biographique et épistémologique se propose d’explorer en profondeur la trajectoire scientifique de William K. Estes. De ses premières années de formation à Minneapolis jusqu’à son magistère aux universités de Stanford, Rockefeller et Harvard, nous examinerons comment ce chercheur d’une intégrité méthodologique absolue a révolutionné les sciences du comportement. En retraçant l’évolution de ses concepts, ses débats canoniques face aux théories continues de l’apprentissage et ses formulations matricielles qui préfiguraient les algorithmes d’apprentissage automatique contemporains, cette étude met en lumière l’héritage impérissable d’un savant qui consacra son existence à percer la structure mathématique de l’esprit.

1. Introduction et contexte biographique de William K. Estes (1919-2011)

1.1 Origines familiales, jeunesse et premières inclinations scientifiques

William Kaye Estes voit le jour le 17 juin 1919 à Minneapolis, dans l’État du Minnesota, au cœur d’un Midwest américain en pleine mutation industrielle et sociale. Issu d’un milieu familial qui valorise le travail méthodique, l’effort intellectuel et une sobriété morale caractéristique des communautés scandinaves et anglo-saxonnes de la région, le jeune Estes manifeste très tôt une curiosité singulière pour le fonctionnement du monde naturel. Loin des spéculations philosophiques abstraites, son esprit d’enfant et d’adolescent est irrésistiblement attiré par les systèmes mécaniques, les mesures empiriques et la résolution méthodique d’énigmes logiques. Les mathématiques et les sciences naturelles ne constituent pas pour lui de simples matières académiques, mais des instruments d’investigation permettant d’extraire de l’ordre à partir de la complexité apparente des phénomènes physiques.

Durant ses études secondaires dans les écoles publiques de Minneapolis, Estes se distingue par une clarté analytique exceptionnelle et une prédilection marquée pour les sciences exactes. Au moment d’entamer ses études supérieures à l’Université du Minnesota à la fin des années 1930, les États-Unis subissent encore les contrecoups économiques de la Grande Dépression, une période de tensions et de frugalité qui forge chez le jeune homme une discipline de travail ascétique. C’est dans ce contexte universitaire effervescent qu’il découvre les sciences du comportement. L’Université du Minnesota abrite alors un département de psychologie exceptionnellement dynamique, où s’affrontent et se mêlent les traditions fonctionnalistes issues de William James et l’essor impétueux d’un béhaviorisme méthodologique qui aspire à expurger l’étude de l’esprit de tout résidu animiste ou introspectif.

Dès ses premiers contacts avec les manuels de référence et les revues de l’époque, Estes perçoit une contradiction fondamentale au sein de la jeune discipline psychologique. D’une part, les chercheurs affichent une volonté ferme d’adopter les canons de la méthode expérimentale des sciences de la nature ; d’autre part, leurs édifices théoriques reposent fréquemment sur des concepts verbaux flous, dénués de formulations formelles univoques. Cette insatisfaction intellectuelle pousse le jeune étudiant à approfondir sa maîtrise des mathématiques pures, du calcul des probabilités et de la statistique inférentielle naissante, persuadé que le comportement animal et humain ne pourra acquérir le statut d’objet scientifique authentique qu’au prix d’une mathématisation rigoureuse de ses dynamiques sous-jacentes.

1.2 Le contexte intellectuel de la psychologie américaine des années 1930 et 1940

Le paysage intellectuel de la psychologie américaine durant l’entre-deux-guerres est dominé par l’hégémonie doctrinale du néo-béhaviorisme. Sous l’impulsion originelle des manifestes de John B. Watson, la discipline a massivement rejeté l’introspection au profit de l’observation exclusive des manifestations comportementales publiques et mesurables. Cependant, au sein même du mouvement béhavioriste, des divergences épistémologiques majeures se font jour quant à la manière d’expliquer la genèse et l’ajustement des réponses apprises. D’un côté, Clark L. Hull, figure de proue de l’Université de Yale, entreprend d’élaborer une théorie formalisée colossale, de nature logico-déductive, reposant sur des séries de postulats hypothétiques et d’équations déterministes destinées à quantifier le “potentiel de réaction” d’un organisme en fonction de son niveau de privation, de la force de l’habitude et de l’intensité du stimulus.

Le système hullien, bien qu’ambitieux et mathématisé en apparence, souffre d’une lourdeur paradigmatique et d’une rigidité paramétrique croissante. Ses équations différentielles complexes prétendent décrire des processus continus d’accumulation d’énergie comportementale, mais elles échouent fréquemment à rendre compte de l’inévitable stochasticité des observations expérimentales individuelles. Face à ce gigantisme déterministe, B.F. Skinner propose une approche résolument inductive et athéorique : l’analyse expérimentale du comportement, centrée sur le contrôle empirique rigoureux de la vitesse de réponse opérante sous l’effet de programmes de renforcement, en rejetant tout recours à des constructs hypothétiques internes. Cette dichotomie entre l’abstraction formelle hullienne et l’empirisme radical skinnérien structure le champ de recherche.

Dans le même temps, les limites théoriques de ces approches purement qualitatives ou déterministes apparaissent de plus en plus criantes face aux paradoxes du conditionnement complexe, de la discrimination perceptive et de l’extinction. Les fluctuations observées d’un essai à l’autre chez un même animal sont généralement reléguées au rang d'”erreur expérimentale” ou de “bruit résiduel”, plutôt que d’être théorisées en tant que caractéristiques structurelles fondamentales du traitement adaptatif. L’irruption de la Seconde Guerre mondiale vient accélérer cette prise de conscience épistémologique : mobilisés pour résoudre des problèmes concrets de veille radar, d’artillerie prédictive et de transmission de signaux brouillés, les psychologues et les ingénieurs américains découvrent la puissance des outils de la théorie de l’information et des processus stochastiques, préparant le terrain pour une refonte profonde de la psychologie quantitative.

1.3 Vue d’ensemble de la trajectoire académique et longévité intellectuelle

La trajectoire scientifique de William K. Estes se déploie avec une remarquable cohérence sur plus de soixante années de labeur ininterrompu. Dès la fin de ses études doctorales en 1943, il s’impose comme une voix singulière, capable d’assimiler les techniques empiriques les plus pointues de l’analyse expérimentale tout en développant un appareil analytique probabiliste novateur. Sa carrière universitaire le conduit successivement dans les institutions de recherche les plus prestigieuses des États-Unis : de l’Université de l’Indiana, où il pose les jalons de sa célèbre théorie de l’échantillonnage des stimuli, à l’Université de Stanford au début des années 1960, épicentre de la révolution mathématique et informatique, en passant par l’Université Rockefeller à New York, avant de couronner son parcours intellectuel par une chaire professorale émérite à l’Université Harvard.

Cette longévité académique exceptionnelle s’accompagne d’une plasticité théorique exemplaire. Loin de s’enfermer dans le cadre théorique qu’il a lui-même édifié dans sa jeunesse, Estes sait évoluer au fil des décennies. Observateur et acteur de premier plan de la transition historique reliant l’analyse comportementale opérante aux sciences cognitives computationnelles des années 1970 et 1980, il ne renie jamais ses exigences méthodologiques béhavioristes de contrôle expérimental, mais il enrichit progressivement ses modèles pour englober les mystères de la mémoire à court terme, de la catégorisation conceptuelle humaine, du codage de l’ordre temporel et des prises de décision complexes. Chacune de ses publications majeures constitue une démonstration magistrale de la manière dont une hypothèse cognitive abstraite peut être soumise à une épreuve empirique impitoyable grâce à une modélisation formelle explicite.

Couronnée par les plus éminentes distinctions scientifiques américaines, dont la très convoitée National Medal of Science remise en 1997 par le président des États-Unis, la carrière d’Estes demeure un modèle d’intégrité, de rigueur et de profondeur. Lorsqu’il s’éteint le 17 août 2011, à l’âge de 92 ans, il laisse derrière lui une communauté scientifique transfigurée. Son œuvre constitue la clé de voûte sans laquelle la psychologie cognitive moderne, les modèles bayésiens de l’esprit et les algorithmes actuels d’apprentissage par renforcement en intelligence artificielle n’auraient pu voir le jour sous leur forme mathématique contemporaine.

2. Formation académique et collaboration matricielle avec B.F. Skinner

2.1 L’apprentissage doctoral sous la direction de B.F. Skinner à l’Université du Minnesota

À la fin des années 1930, l’Université du Minnesota bénéficie de la présence d’un jeune enseignant-chercheur encore peu connu du grand public, mais dont les idées radicales s’apprêtent à révolutionner l’étude du comportement : Burrhus Frederic Skinner. Séduit par l’ingéniosité technique des chambres de conditionnement opérant conçues par Skinner et par son refus intransigeant du mentalisme introspectif, Estes sollicite la direction doctorale du maître. L’immersion dans le laboratoire de Skinner s’avère une expérience matricielle décisive. Estes y acquiert une maîtrise inégalée de l’automatisation expérimentale, de la cinétique des courbes cumulatives et de l’art d’isoler des variables environnementales avec une précision chirurgicale.

L’ambiance intellectuelle du laboratoire skinnérien est toutefois marquée par un rejet dogmatique des théories formelles déductives et des modèles mathématiques abstraits, que Skinner juge prématurés, voire nocifs pour l’observation directe du débit de réponse. C’est précisément sur ce point qu’Estes, tout en vouant un respect indéfectible à la rigueur méthodologique de son mentor, commence à tracer sa propre voie épistémologique. Alors que Skinner considère que la description graphique du taux de réponse suffit à épuiser la réalité psychologique, Estes postule que sous la régularité apparente des courbes expérimentales se dissimulent des processus d’agrégation statistique qu’il convient de formaliser à l’aide des mathématiques probabilistes.

Malgré ces divergences embryonnaires sur le rôle des représentations formelles, la relation entre l’élève et son directeur de thèse demeure empreinte d’une estime mutuelle profonde. Skinner reconnaît immédiatement le brio intellectuel, la patience d’expérimentateur et l’acuité logique hors du commun d’Estes. Ce compagnonnage académique culmine en 1943 avec l’obtention par Estes de son diplôme de doctorat (Ph.D.), sanctionnant une série de recherches fondamentales sur les mécanismes de renforcement, d’extinction expérimentale et de perturbations émotionnelles du comportement qui allaient immédiatement marquer l’histoire de la psychologie scientifique.

2.2 La procédure de réponse émotionnelle conditionnée (CER / Estes-Skinner)

Dès 1941, en collaboration directe avec Skinner, William K. Estes publie un article retentissant qui deviendra l’un des classiques absolus de la littérature comportementale : Some Quantitative Properties of Anxiety. Les deux chercheurs s’attachent à résoudre une énigme théorique majeure : comment mesurer de manière scientifique, objective et rigoureusement quantitative des états internes affectifs tels que la peur, l’angoisse ou l’anxiété, sans tomber dans les pièges de l’anthropomorphisme ou des descriptions cliniques subjectives ? Pour y parvenir, ils mettent au point le paradigme de la réponse émotionnelle conditionnée (en anglais, Conditioned Emotional Response ou CER), également désigné sous le terme de protocole de suppression conditionnée.

Le protocole expérimental conçu par Estes et Skinner est d’une élégance méthodologique imparable. Un rat de laboratoire est préalablement entraîné à appuyer de manière stable et régulière sur un levier dans une boîte de Skinner afin d’obtenir des boulettes de nourriture, établissant ainsi un taux de réponse de base régulier. Dans un second temps, les expérimentateurs introduisent un stimulus neutre, tel qu’un son continu ou un signal lumineux d’une durée déterminée (par exemple deux minutes), à l’issue duquel l’animal reçoit inévitablement un choc électrique d’intensité modérée à travers la grille métallique du plancher. Après plusieurs répétitions de cette association temporelle selon les lois du conditionnement pavlovien classique, l’animal commence à manifester un comportement d’immobilité défensive (freezing) dès l’apparition du signal avertisseur, entraînant une chute drastique, voire une interruption totale des pressions sur le levier de nourriture.

Estes propose une mesure mathématique formalisée de cette perturbation : le ratio de suppression comportementale. Cet indice quantifie le rapport entre le débit de réponses durant la présence du stimulus prédictif du choc et la somme des réponses émises avant et pendant ce stimulus. Lorsque le ratio atteint zéro, la suppression est totale, traduisant un niveau maximal d’anxiété ou de peur conditionnée ; lorsqu’il atteint 0,5, le signal n’a aucun effet inhibiteur sur le comportement opérant régulier. Cette standardisation rigoureuse a permis de transformer l’étude de l’anxiété en une variable continue reproductible à l’échelle internationale. Durant plus d’un demi-siècle, le protocole CER d’Estes et Skinner est demeuré l’étalon-or des laboratoires de neurobiologie de la mémoire émotionnelle, des études sur l’amygdale cérébrale et des essais précliniques en psychopharmacologie pour le criblage des anxiolytiques.

2.3 Le service militaire pendant la Seconde Guerre mondiale et la transition postdoctorale

L’ascension scientifique d’Estes est soudainement interrompue par l’engagement des États-Unis dans la Seconde Guerre mondiale. Sitôt son doctorat achevé en 1943, il est mobilisé au sein de l’armée américaine. Conscient de son expertise analytique, le commandement militaire l’assigne à des unités de recherche psychotechnique et opérationnelle, où il est confronté aux défis posés par la sélection des recrues, l’apprentissage accéléré des opérateurs de télécommunications et l’optimisation des performances humaines dans des conditions de stress extrême. Cette période sous les drapeaux constitue un tournant décisif dans l’évolution intellectuelle d’Estes.

Loin des cages de conditionnement animal de Minneapolis, Estes est plongé dans un univers technologique en pleine effervescence, marqué par la naissance de la cybernétique de Norbert Wiener, les prémisses de la théorie de la communication de Claude Shannon et les applications de la théorie du signal. Il prend conscience que le cerveau des pilotes et des opérateurs radio fonctionne comme un récepteur probabiliste opérant dans un environnement bruité, où chaque message ou stimulus sensoriel n’est jamais perçu de manière identique d’un instant à l’autre. Cette constatation ébranle définitivement les postulats déterministes de Clark Hull, qui prétendaient déduire des lois d’apprentissage rigides et immuables comme si l’organisme était un système mécanique newtonien.

Démobilisé à la fin du conflit mondial, Estes refuse de reprendre simplement les sentiers battus de la tradition opérante skinnérienne. Recruté en 1946 par le département de psychologie de l’Université de l’Indiana à Bloomington, il bénéficie d’une liberté académique totale pour développer ses intuitions probabilistes. C’est dans ce cadre propice qu’il commence à rédiger les fondements théoriques d’une approche révolutionnaire de l’apprentissage animal et humain, destinée à balayer l’ancien paradigme déterministe en assimilant le stimulus non plus à une entité monolithique, mais à une population statistique d’éléments discrets soumis à un échantillonnage stochastique.

3. L’avènement de la théorie de l’échantillonnage des stimuli (Stimulus Sampling Theory)

3.1 L’article séminal de 1950 : acte de naissance d’un paradigme

En 1950, la revue Psychological Review publie un article qui va provoquer une onde de choc théorique majeure dans le champ des sciences du comportement : Toward a statistical theory of learning, signé du seul nom de William K. Estes. D’emblée, le titre affiche l’ambition fondatrice de l’auteur : substituer aux constructions hypothético-déductives de Clark Hull et aux approches purement descriptives de Skinner une théorie véritablement statistique, axiomatisée et mathématiquement transparente des mécanismes de l’apprentissage associatif.

Le point de rupture épistémologique réside dans la redéfinition radicale du concept de “stimulus”. Jusqu’alors, la psychologie expérimentale postulait qu’un stimulus expérimental — tel qu’un son pur de 1000 Hz ou un panneau lumineux — constituait une entité fixe et invariable, agissant de manière globale sur les récepteurs sensoriels de l’organisme. Estes démontre l’inanité physiologique et écologique d’une telle supposition. Dans un environnement réel ou de laboratoire, la situation stimulatrice globale est infiniment complexe : elle se compose d’une multitude de micro-caractéristiques physiques, de fluctuations environnementales subtiles, de changements posturaux de l’animal et de variations instantanées de l’attention sélective des organes des sens.

Par conséquent, Estes formalise la situation stimulatrice globale comme un vaste ensemble fini, composé d’une constellation d’éléments environnementaux discrets. À chaque essai expérimental, l’organisme n’a pas accès à l’intégralité de cette population de micro-stimuli ; il n’en prélève, de façon aléatoire ou quasi-aléatoire, qu’un sous-ensemble restreint, un échantillon. C’est cette interaction entre l’échantillonnage stochastique des éléments de stimulus et leur liaison associative avec les réponses comportementales qui constitue le cœur de la théorie de l’échantillonnage des stimuli (en anglais, Stimulus Sampling Theory ou SST). Cette conceptualisation novatrice pulvérise les rigidités du potentiel de réaction hullien et introduit d’un seul coup les outils de la statistique mathématique au sein du processus même de conditionnement.

3.2 Les postulats mathématiques fondamentaux de la théorie SST

L’édifice théorique de la SST repose sur un ensemble d’axiomes rigoureusement formulés en langage ensembliste et probabiliste. Soit $S$ l’ensemble total de tous les éléments de stimulus disponibles dans la situation expérimentale, dont le cardinal est noté $N$. À chaque essai $n$, un échantillon $s$ d’éléments est prélevé de manière stochastique par le sujet. La proportion de cet échantillon par rapport à la population totale est définie par un paramètre constant $\theta$, tel que la taille de l’échantillon $s$ correspond à $\theta N$, avec $0 < theta le 1$. La valeur de ce paramètre d’échantillonnage$theta$ dépend des propriétés physiques du stimulus expérimental, de sa saillance perceptive et de la réceptivité sensorielle de l’organisme.

Le deuxième postulat concerne la nature même du lien associatif unissant un élément de stimulus à une réponse comportementale. Estes formule ici une hypothèse d’une audace conceptuelle remarquable : au niveau microscopique de chaque composante individuelle de stimulus, le conditionnement opère selon une loi du tout-ou-rien. À tout instant, un élément de stimulus donné est soit entièrement connecté à la classe de réponse correcte $A_1$, soit non-connecté (ou connecté à une classe de réponses concurrentes $A_2$). Il n’existe pas de “force d’habitude” continue au niveau élémentaire. Lorsqu’un essai s’achève par l’émission de la réponse $A_1$ suivie d’un renforcement, tous les éléments appartenant à l’échantillon $s$ prélevé lors de cet essai se trouvent instantanément conditionnés à la réponse $A_1$.

Le troisième postulat fondamental établit le pont mathématique unissant ce niveau microscopique discret au niveau macroscopique observable de l’organisme global. Estes pose que la probabilité globale d’émettre la réponse $A_1$ à l’essai $n$, notée $p_n$, est exactement égale à la proportion d’éléments de la population totale $S$ qui se trouvent connectés à cette réponse au début de l’essai. Si l’on désigne par $C_n$ le nombre d’éléments conditionnés à $A_1$ à l’essai $n$, la probabilité macroscopique de réponse s’exprime par le ratio probabiliste le plus limpide qui soit :

$$p_n = \frac{C_n}{N}$$

Cette formulation permet d’expliquer comment des transitions tout-ou-rien au niveau des micro-éléments se traduisent, à l’échelle du comportement observable, par une courbe d’acquisition graduelle, continue et asymptotique. La fluidité apparente de l’apprentissage n’est qu’un effet d’agrégation statistique produit par l’échantillonnage aléatoire répété d’éléments discrets.

3.3 Application de la SST aux courbes d’apprentissage et phénomènes d’extinction

En appliquant les axiomes de la SST à une séquence d’essais successifs d’acquisition conditionnée, William K. Estes parvient à déduire analytiquement l’équation canonique de la courbe d’apprentissage sans avoir recours à aucun postulat téléologique ni à aucune métaphore physiologique invérifiable. À chaque essai renforcé, la proportion moyenne d’éléments non encore conditionnés qui entrent dans l’échantillon et se trouvent convertis à la réponse $A_1$ est égale à $\theta$. Par une dérivation différentielle élémentaire, Estes démontre que l’évolution de la probabilité de réponse suit l’équation de récurrence stochastique :

$$p_{n+1} = p_n + \theta (1 – p_n)$$

La résolution de cette équation aux différences finies conduit directement à la fonction asymptotique exponentielle décrivant la probabilité de réponse en fonction du nombre d’essais $n$ :

$$p_n = 1 – (1 – p_1)(1 – \theta)^{n-1}$$

où $p_1$ représente la probabilité initiale de la réponse avant tout entraînement. Cette dérivation mathématique constitue une victoire épistémologique éclatante : pour la première fois dans l’histoire de la psychologie, la forme universelle des courbes d’apprentissage découvertes empiriquement depuis Hermann Ebbinghaus et Edward Thorndike est déduite rigoureusement d’un ensemble minimal d’axiomes probabilistes régissant l’échantillonnage des composantes environnementales.

Le pouvoir explicatif de la théorie ne s’arrête pas à l’acquisition : elle illumine de façon tout aussi magistrale les énigmes de l’extinction expérimentale et de la récupération spontanée. Lorsque le renforcement est supprimé, l’émission de la réponse en l’absence de récompense conduit à la réassociation progressive des éléments de stimulus échantillonnés avec d’autres comportements compétitifs, provoquant une baisse asymptotique symétrique de la probabilité de réponse. Plus remarquable encore, Estes résout le mystère séculaire de la récupération spontanée — la réapparition soudaine d’une réponse éteinte après un simple intervalle de repos temporel. Selon la SST, tous les éléments du stimulus ne sont pas disponibles de manière constante dans le temps : certains sous-ensembles fluctuent d’un état actif à un état inactif au fil des heures en raison de variations physiologiques et contextuelles. Les éléments conditionnés qui étaient temporairement inaccessibles durant la phase d’extinction redeviennent actifs après une période de latence, réinjectant instantanément une proportion d’éléments liés à la réponse $A_1$ dans la population active et provoquant la résurgence spontanée du comportement.

4. Formalisation probabiliste et modélisation markovienne des processus d’apprentissage

4.1 L’intégration des chaînes de Markov dans l’analyse comportementale

Dès le milieu des années 1950, William K. Estes réalise que les formulations déterministes et les approximations différentielles continues doivent être dépassées pour embrasser la réalité profondément stochastique des trajectoires d’apprentissage individuelles. Alors que les théories traditionnelles se contentent de modéliser des courbes moyennes de groupes de sujets — lissant artificiellement les données brutes —, Estes s’intéresse à la dynamique séquentielle essai par essai observée chez un sujet singulier. Pour capturer cette complexité avec une rigueur formelle absolue, il introduit l’usage des chaînes de Markov à états discrets dans la modélisation du comportement.

Une chaîne de Markov est un processus stochastique dans lequel la probabilité de transiter vers un état futur dépend exclusivement de l’état présent du système, et non de la séquence temporelle des états antérieurs (propriété de perte de mémoire ou propriété markovienne). En collaboration avec d’éminents mathématiciens et statisticiens, Estes formalise l’apprentissage comme un cheminement à travers un espace d’états d’acquisition bien définis : par exemple, un état non-conditionné initial $U$, un état intermédiaire de conditionnement partiel $C_1$, et un état d’absorption finale ou de maîtrise parfaite $A$. Les dynamiques d’acquisition sont dès lors représentées par des matrices de transition stochastiques stationnaires de la forme :

$$P = \begin{\pmatrix} 1-c & c \ 0 & 1 \end{\pmatrix}$$

où la valeur $c$ représente la probabilité invariante de transition par essai vers l’état absorbant de conditionnement. Cette approche par matrices markoviennes permet à Estes et à ses collègues de calculer analytiquement des propriétés distributionnelles d’une précision inouïe : non seulement l’espérance mathématique du nombre total d’erreurs commises par un sujet avant l’apprentissage complet, mais également la variance de ces erreurs, la distribution de probabilité du rang du dernier échec, ainsi que les fonctions d’autocorrélation entre les réponses correctes successives. La psychologie s’équipe ainsi d’un appareil déductif comparable à la mécanique statistique.

4.2 Le modèle d’apprentissage en un essai (All-or-None Learning)

L’utilisation des modèles markovien conduit Estes à formuler, au début des années 1960, l’une de ses thèses les plus controversées et les plus stimulantes pour la psychologie cognitive émergente : l’hypothèse de l’apprentissage en “tout-ou-rien” (All-or-None Learning) dans les tâches de mémorisation humaine. À cette époque, le dogme dominant de l’associationnisme continu — hérité de Thorndike, Hull et Kenneth Spence — stipule que chaque répétition d’un stimulus renforce de manière infinitésimale et continue une trace de mémoire sous-jacente, invisible jusqu’à ce qu’elle franchisse un seuil comportemental d’évocation.

Pour mettre cette doctrine à l’épreuve, Estes conçoit des paradigmes expérimentaux ingénieux d’apprentissage par paires associées chez des sujets humains. Dans un protocole expérimental désormais célèbre dénommé la “procédure R-S-T” (Reinforcement-Stimulus-Test), il présente à des volontaires des paires de syllabes sans sens associées à des chiffres. Il interrompt l’entraînement après un seul essai de présentation pour intercaler des tests de rétention sans rétroaction, mesurant scrupuleusement la probabilité de réussite conditionnelle lors de tests consécutifs. Les données recueillies confirment de manière spectaculaire les prédictions du modèle markovien à deux états : tant qu’un item n’a pas été appris, la probabilité de fournir la bonne réponse demeure strictement au niveau de la performance aléatoire ; dès lors que l’association est formée lors d’un essai critique singulier, la probabilité de réponse correcte saute brusquement à l’unité (ou à une asymptote stable proche de 1).

Cette démonstration prouve avec force que la progression graduelle observée sur les courbes d’apprentissage macroscopiques n’est qu’un artefact méthodologique résultant du moyennage statistique d’une cohorte de sujets ou d’items hétérogènes effectuant des sauts discrets en un seul essai à des moments temporels différents. L’apprentissage humain fondamental apparaît ainsi comme un processus de transition d’état discontinu, analogue à une réaction quantique, marquant un point de bascule décisif vers les théories modernes du traitement de l’information où la mémoire est conçue comme un registre d’états logiques discrets.

4.3 La modélisation de l’apprentissage probabiliste et du conditionnement prédictif

Parallèlement à ses recherches sur l’acquisition en tout-ou-rien, William K. Estes explore un autre pan crucial de l’adaptation cognitive : le comportement humain dans des environnements incertains, connu sous le nom d’apprentissage probabiliste (probability learning). Dans des expériences canoniques de laboratoire, des sujets sont confrontés à une tâche de prédiction binaire : à chaque essai, ils doivent anticiper laquelle de deux lampes ($E_1$ ou $E_2$) va s’allumer. Sans que les sujets n’en soient avertis, l’expérimentateur contrôle la fréquence relative d’apparition des signaux selon une distribution de probabilité fixe : la lampe $E_1$ s’allume avec une probabilité constante $\pi$, et la lampe $E_2$ avec la probabilité complémentaire $1 – \pi$ (par exemple 70 % contre 30 %).

D’un point de vue de la théorie classique du choix rationnel et de l’utilité espérée défendue par les économistes néoclassiques, la stratégie optimale absolue est limpide : pour maximiser son taux global de gain, le sujet rationnel devrait choisir systématiquement l’option la plus fréquente ($E_1$) à 100 % des essais, ce qui lui garantirait un taux de succès final de 70 %. Or, les expériences méticuleusement conduites par Estes révèlent un phénomène comportemental tout à fait différent et hautement reproductible : les sujets humains ne maximisent pas ; ils ajustent au contraire asymptotiquement leur propre probabilité de choix à la fréquence exacte de renforcement de l’environnement, choisissant l’option $E_1$ dans 70 % des cas et l’option $E_2$ dans 30 % des cas. Ce phénomène empirique est baptisé l’appariement de probabilités (probability matching).

Estes applique les équations de sa théorie de l’échantillonnage des stimuli pour expliquer cette déviation de la rationalité économique. Il démontre mathématiquement que si un ensemble d’éléments de stimulus est alternativement renforcé par $E_1$ avec une probabilité $\pi$ et par $E_2$ avec une probabilité $1-\pi$, l’état d’équilibre stationnaire stochastique du système conduit inévitablement la proportion d’éléments connectés à la réponse $A_1$ à converger exactement vers la valeur $\pi$. En formalisant ce processus, Estes anticipe de plusieurs décennies les modèles contemporains d’inférence statistique bayésienne, démontrant que ce qui paraissait irrationnel au regard d’une économie statique découle en réalité d’un mécanisme d’échantillonnage adaptatif dynamique et robuste face aux fluctuations d’un milieu incertain.

5. L’essor de la psychologie mathématique en tant que discipline autonome

5.1 Le séminaire de Santa Monica (1950) et les ateliers de recherche de Stanford

L’immédiat après-guerre voit converger une poignée de jeunes chercheurs brillants désireux de refonder la psychologie théorique sur des bases formelles irréprochables. L’événement déclencheur de cette cristallisation institutionnelle se déroule durant l’été 1950 à Santa Monica, en Californie, sous l’égide de la prestigieuse RAND Corporation et de la Fondation Ford. Ce séminaire interdisciplinaire d’une durée de huit semaines réunit des mathématiciens, des économistes, des statisticiens et quelques psychologues visionnaires, parmi lesquels se détachent William K. Estes, Robert R. Bush et Frederick Mosteller.

Durant ces rencontres de travail intenses, Estes et ses homologues confrontent leurs approches respectives de la modélisation stochastique. Alors que Bush et Mosteller développent des modèles à opérateurs linéaires appliqués aux probabilités globales de réponse, Estes défend la primauté ontologique de la théorie de l’échantillonnage des micro-éléments de stimulus, capable d’ancrer les lois statistiques dans une réalité empirique opérationnelle. Ces débats de haut niveau mettent en évidence la nécessité d’élaborer un métalangage axiomatique unifié pour les sciences du comportement. À la suite de ces ateliers inauguraux, des sessions d’été régulières sont organisées à l’Université de Stanford, animées par le logicien et philosophe des sciences Patrick Suppes et le théoricien de la mesure R. Duncan Luce.

Ce cercle d’intellectuels pionniers ne se contente pas de rédiger des articles techniques ; il s’attache à institutionnaliser la formation d’une nouvelle génération de chercheurs. Sous l’impulsion d’Estes, des programmes d’entraînement interdisciplinaires sont mis en place, obligeant les étudiants en psychologie à valider des cursus poussés en algèbre linéaire, en topologie, en théorie de la mesure et en calcul stochastique. C’est dans ce creuset d’émulation scientifique que naît véritablement la psychologie mathématique en tant que discipline autonome, distincte à la fois de la psychométrie appliquée et de la psychologie expérimentale traditionnelle purement qualitative.

5.2 Fondation et direction éditoriale du Journal of Mathematical Psychology

Au début des années 1960, le volume et la technicité des travaux issus de cette école de pensée atteignent une masse critique. Cependant, les pionniers de la modélisation formelle se heurtent à une résistance institutionnelle considérable de la part des revues établies de l’American Psychological Association (APA). Les rédacteurs en chef de l’époque, déroutés par les appareils axiomatiques, les systèmes d’équations aux différences finies et les démonstrations de théorèmes probabilistes, rejettent régulièrement ces manuscrits novateurs, les jugeant trop abstraits ou inaccessibles pour le lectorat généraliste de la profession.

Face à cet ostracisme éditorial, William K. Estes, entouré de Duncan Luce, Patrick Suppes, Richard Atkinson et Frank Restle, décide de créer un organe de diffusion scientifique dédié exclusivement à l’excellence théorique et quantitative. En 1964 paraît le tout premier numéro du Journal of Mathematical Psychology, publié sous les auspices de la maison d’édition Academic Press. Estes prend une part prépondérante dans la définition de la ligne éditoriale de la nouvelle revue, imposant des critères d’acceptation drastiques qui conjuguent l’élégance de la démonstration mathématique et l’ancrage rigoureux dans des protocoles expérimentaux de laboratoire contrôlés.

Durant plusieurs décennies, le Journal of Mathematical Psychology va constituer la tribune privilégiée des plus grandes ruptures conceptuelles du siècle : formalisation des temps de réaction, modèles d’accumulation de preuve, théories axiomatiques de la mesure conjointes, et modélisations neuronales émergentes. Parallèlement, Estes soutient activement la fondation en 1976 de la Society for Mathematical Psychology, pérennisant ainsi les structures académiques internationales de cette communauté d’élite, dont il restera jusqu’à la fin de sa vie le doyen respecté et le garant épistémologique absolu.

5.3 Les Handbooks of Mathematical Psychology : un travail encyclopédique majeur

L’acte d’émancipation définitive de la psychologie mathématique se concrétise entre 1963 et 1965 avec la publication d’une œuvre encyclopédique monumentale en trois volumes : le Handbook of Mathematical Psychology, codirigé par R. Duncan Luce, Robert R. Bush et Eugene Galanter, auquel Estes apporte des contributions cardinales. Cet ouvrage choral colossal entreprend pour la première fois de synthétiser, d’ordonner et d’axiomatiser l’ensemble des connaissances quantitatives accumulées dans l’étude des processus cognitifs et comportementaux.

Les chapitres rédigés par Estes dans ces volumes constituent des chefs-d’œuvre de pédagogie savante et de clarté formelle. Il y expose de manière exhaustive les architectures comparées des théories de l’apprentissage stochastique, détaillant les correspondances et les divergences analytiques entre les modèles d’opérateurs linéaires, les chaînes markoviennes à états finis et les formulations ensemblistes de l’échantillonnage de stimuli. Avec une profondeur de vue remarquable, il démontre que des phénomènes apparemment disparates, tels que la discrimination perceptive, le renforcement partiel, le transfert d’apprentissage et la vitesse de sélection d’une action, peuvent être déduits d’une famille restreinte de principes stochastiques unifiés.

L’impact de ce manuel encyclopédique sur les sciences cognitives naissantes est incommensurable. Il confère à la formalisation mathématique ses lettres de noblesse au sein des facultés de psychologie à travers le monde anglo-saxon et européen. Des générations entières d’étudiants, d’ingénieurs et de futurs pionniers de l’intelligence artificielle apprennent à modéliser la mémoire, la perception visuelle et la prise de décision à travers les pages rédigées par Estes et ses pairs. Cet ouvrage a transformé la psychologie mathématique en un idiome incontournable pour quiconque prétend étudier scientifiquement les fonctions de l’esprit.

6. Recherches sur la mémoire humaine, l’attention et le traitement de l’information

6.1 De la théorie de l’association à l’architecture de la mémoire de travail

Le début des années 1960 coïncide avec l’émergence historique de la “révolution cognitive”. Loin de s’arc-bouter sur les frontières méthodologiques de son associationnisme de jeunesse, William K. Estes embrasse avec enthousiasme cette transition de paradigme, reconnaissant que l’étude des processus supérieurs de la cognition humaine exige d’enrichir la théorie stochastique par des structures d’architecture interne. Il opère ainsi une réorientation stratégique majeure de ses programmes de recherche, appliquant les principes de la théorie d’échantillonnage à la mémoire humaine, à l’attention sélective et au traitement de l’information.

S’intéressant de près aux mécanismes de l’oubli à court et à long terme, Estes revisite les théories classiques de l’interférence proactive et rétroactive. Il réfute l’idée d’une érosion temporelle passive des traces mnésiques, postulant plutôt que l’oubli résulte d’une perte d’accessibilité provoquée par le recouvrement statistique des éléments indiciels entre les listes d’items successives. Selon son modèle, le rappel mnésique dépend d’un processus stochastique de recherche où le système cognitif rééchantillonne des constellations d’attributs au sein d’un espace multidimensionnel de stockage.

Estes s’associe intellectuellement aux travaux de Richard Atkinson et Richard Shiffrin — ce dernier ayant été son collaborateur à Stanford — qui proposent le célèbre modèle modal distinguant les registres sensoriels, la mémoire à court terme et la mémoire à long terme. La contribution propre d’Estes consiste à fournir le moteur mathématique sous-jacent à cette architecture : il formalise la mémoire de travail non pas comme un compartiment statique, mais comme un tampon dynamique de capacité limitée où les éléments d’information subissent une compétition stochastique continuelle pour leur maintien actif sous le faisceau d’un échantillonnage attentionnel sélectif.

6.2 Modélisation de l’ordre temporel et du rappel sériel

L’un des apports les plus brillants et originaux d’Estes à la psychologie cognitive concerne l’énigme du codage de l’ordre sériel en mémoire humaine. Depuis le XIXe siècle, la doctrine associationniste dominante supposait que la mémorisation d’une séquence — comme les lettres d’un mot ou les chiffres d’un numéro de téléphone — s’effectuait par le biais d’un “chaînage associatif” direct : le premier item $A$ servirait de stimulus déclencheur pour le second $B$, qui à son tour déclencherait $C$, et ainsi de suite. Dans un article magistral publié en 1972, intitulé An associative basis for coding and retrieval of information about sequential order, Estes démontre par l’absurde et par l’expérience la faillite conceptuelle de cette hypothèse de chaînage sériel simple.

Si la mémoire procédait par chaînage direct, la survenue d’une erreur sur un item intermédiaire lors du rappel devrait provoquer l’effondrement immédiat de l’évocation de tous les items subséquents, ce que contredisent formellement les données expérimentales : un sujet qui oublie une lettre parvient généralement à restituer la suite de la séquence avec une précision remarquable. De plus, les erreurs empiriques les plus fréquentes sont des erreurs de transposition temporelle — un item est rappelé à une position temporelle adjacente à sa position correcte.

Pour expliquer ces régularités, Estes invente le célèbre modèle perturbationnel de l’ordre temporel (Perturbation Model). Il postule que les items mémorisés sont initialement assignés à des positions d’ordre temporel discrètes au sommet d’une hiérarchie de contrôle temporel. Au fil du temps, en raison de fluctuations stochastiques dans le registre de stockage, ces indices positionnels dérivent et s’échangent mutuellement avec une certaine probabilité entre positions adjacentes. Ce modèle de perturbation probabiliste a permis de prédire avec une exactitude mathématique saisissante les courbes en U caractéristiques du rappel sériel (effets de primauté et de récence), ainsi que les distributions précises des temps de latence verbale, ouvrant des horizons entièrement nouveaux pour la compréhension des troubles dyslexiques et des mécanismes de production du langage articulé.

6.3 La théorie du signal et la détection d’items en mémoire de reconnaissance

William K. Estes a également profondément transformé l’étude de la mémoire de reconnaissance en orchestrant la convergence théorique entre la théorie de la détection du signal (Signal Detection Theory ou SDT), issue de l’ingénierie des radars, et sa propre théorie d’échantillonnage des stimuli. Dans une tâche classique de reconnaissance mnésique, un participant est invité à juger si un mot cible a été préalablement présenté dans une liste d’étude (item “ancien”) ou s’il s’agit d’un distracteur inédit (item “nouveau”). Les théories naïves de l’époque concevaient la mémoire comme un processus déterministe où le sujet se contentait de constater la présence ou l’absence d’une trace gravée dans son esprit.

Estes propose une formalisation beaucoup plus fine. Lorsqu’un item test est présenté, il active un échantillon de traits élémentaires sémantiques, phonologiques et contextuels. L’organisme calcule de manière probabiliste un indice global de familiarité, qui correspond à la proportion de traits échantillonnés partageant une connexion avec le contexte temporel spécifique de la phase d’apprentissage. Cet indice continu de familiarité fluctue stochastiquement selon deux distributions gaussiennes qui se chevauchent : l’une pour les distracteurs, l’autre pour les cibles réellement étudiées.

Le sujet pose alors un critère de décision stratégique : si l’indice de familiarité échantillonné dépasse ce seuil subjectif, l’item est classé comme “ancien” ; dans le cas contraire, il est rejeté. Cette modélisation quantitative unifiée a permis à Estes de décomposer avec une précision inégalée les réponses des sujets en deux composantes mathématiquement indépendantes : la sensibilité mémorielle intrinsèque (capacité de discrimination pure) et le biais de réponse cognitif (propension prudente ou libérale du sujet). Cette formalisation rigoureuse a invalidé les anciens modèles de “correction pour devinement” (guessing correction) et s’est imposée comme le standard méthodologique absolu pour les recherches contemporaines sur l’amnésie humaine et la métacognition.

7. La modélisation de la catégorisation : le modèle matriciel et les approches exemplales

7.1 La remise en cause des modèles de prototypes abstraits

Au cours des années 1970, l’un des débats les plus vifs des sciences cognitives gravite autour de la nature des représentations sémantiques et conceptuelles humaines. Sous l’impulsion des travaux séminaux d’Eleanor Rosch, la théorie des prototypes s’impose initialement comme le paradigme dominant. Selon cette approche, l’apprentissage d’une catégorie naturelle ou artificielle — telle que “oiseau”, “meuble” ou un ensemble de polygones géométriques arbitraires — consiste pour l’esprit humain à extraire la moyenne statistique des caractéristiques observées afin de forger une représentation abstraite idéale et centrale : le prototype. Une nouvelle instance est ensuite classée dans la catégorie dont elle se rapproche le plus par sa ressemblance globale avec ce prototype idéalisé.

William K. Estes jette un regard hautement critique sur ce consensus émergent. Sans nier l’existence d’effets de centralité prototypique dans les temps de réponse, il met en lumière une faille empirique et logique majeure des modèles de prototypes exclusifs : ces derniers postulent la disparition pure et simple des traces mémorielles individuelles au profit d’une moyenne abstraite. Or, Estes observe expérimentalement que l’être humain est capable de conserver une mémoire extraordinairement vivace des instances spécifiques singulières rencontrées au cours de sa vie, et qu’il fait preuve d’une sensibilité immédiate à la variance interne des catégories ainsi qu’aux corrélations subtiles reliant différentes dimensions d’un objet (par exemple, le fait que la petite taille d’un oiseau soit fortement corrélée à sa capacité de voler, tandis que les grands oiseaux comme l’autruche ou le pingouin ne volent pas).

Ces données empiriques s’avèrent impossibles à réconcilier avec une représentation résumée sous la forme d’un prototype vectoriel unique. Estes soutient avec force qu’un système cognitif performant et adaptatif ne détruit pas l’information contextuelle spécifique. Il s’engage alors dans la conception d’un modèle formel de la mémoire sémantique reposant intégralement sur le stockage matriciel d’exemplaires concrets.

7.2 L’Array Model (1986) : principes structurels et algorithmiques

L’aboutissement de cette réflexion théorique culmine en 1986 avec la publication par Estes d’un article retentissant dans la revue Cognitive Psychology, présentant son modèle matriciel de la mémoire : l’Array Model. Ce chef-d’œuvre de psychologie mathématique propose une architecture algorithmique unifiée capable d’expliquer au moyen d’un même mécanisme formel les phénomènes de catégorisation conceptuelle, de jugement de typicalité, d’identification perceptive et de reconnaissance mnésique.

Dans l’Array Model, la mémoire à long terme est représentée formellement comme une matrice de données (ou un tableau d’éléments), dont chaque ligne correspond à la trace vectorielle complète d’un exemplaire individuel effectivement perçu et encodé au cours de l’expérience antérieure du sujet. Chaque colonne de la matrice représente une dimension ou un trait distinctif d’évaluation perceptive (par exemple couleur, forme, taille, texture). Lorsqu’un nouveau stimulus cible $X$ est présenté au système, il active simultanément l’ensemble des représentations vectorielles stockées dans la matrice mnésique.

L’algorithme calcule la similarité globale entre le stimulus $X$ et chaque exemplaire mémorisé $Y_i$. Reprenant et affinant les formulations de Shepard, Estes définit cette similarité comme une fonction multiplicative décroissante de la distance psychologique multidimensionnelle séparant les deux vecteurs :

$$S(X, Y_i) = \prod_{j} s_j^{|x_j – y_{ij}|}$$

où $s_j$ est un paramètre de similarité spécifique à la dimension $j$, compris entre 0 et 1. La probabilité que l’organisme classe le stimulus $X$ dans une catégorie spécifique $A$ plutôt que dans une catégorie concurrente $B$ est alors calculée selon le ratio de Luce, en divisant la somme des similarités activées par tous les exemplaires de la catégorie $A$ par la somme totale des similarités activées par l’ensemble des exemplaires stockés dans la mémoire :

$$P(A|X) = \frac{\sum_{i in A} S(X, Y_i)}{\sum_{i in A} S(X, Y_i) + \sum_{k in B} S(X, Y_k)}$$

L’élégance de l’Array Model réside dans sa capacité à faire émerger tous les effets d’illusion de prototype sans jamais avoir besoin de construire un quelconque prototype au sein de la mémoire. Le prototype virtuel n’est qu’un épiphénomène mathématique résultant de l’addition de similarités multiples activées par les traces d’exemplaires individuels. Par cette formalisation matricielle, Estes démontre la supériorité absolue des modèles d’exemplaires pour prédire le comportement d’apprentissage conceptuel humain.

7.3 Influence déterminante sur le modèle du contexte généralisé (GCM) de Nosofsky

L’Array Model de William K. Estes, combiné aux travaux contemporains de Douglas Medin (notamment le Context Model de Medin et Schaffer en 1978), a exercé une influence matricielle directe sur le développement du modèle d’exemplaire le plus influent et le plus rigoureusement validé de l’histoire des sciences cognitives contemporaines : le Generalized Context Model (GCM), conçu et popularisé par Robert M. Nosofsky à partir de la fin des années 1980.

Nosofsky a explicitement reconnu sa dette intellectuelle envers Estes. En intégrant les principes fondamentaux de l’échantillonnage de traits et la structure matricielle de l’Array Model au sein d’un espace psychologique métrique continu (fondé sur les techniques de positionnement multidimensionnel de Roger Shepard), le GCM a poussé la vision d’Estes à son degré d’universalité le plus achevé. Nosofsky y a ajouté un mécanisme d’attention sélective probabiliste capable d’étirer ou de contracter les dimensions géométriques de la matrice en fonction des impératifs de la tâche, mécanisme dont les racines conceptuelles plongent directement dans les axiomes de sélection de traits formulés par Estes dès 1950.

Grâce à cette filiation directe, les modèles d’exemplaires ont triomphé des approches par prototypes dans une écrasante majorité d’expériences quantitatives de catégorisation artificielle et naturelle. L’approche initiée par Estes a prouvé que la cognition humaine fonctionne comme un puissant système de calcul de similarités distribuées, reliant de façon continue la mémoire épisodique la plus singulière aux abstractions conceptuelles les plus sophistiquées. Cette percée conceptuelle a définitivement installé les représentations exemplales au cœur des architectures cognitives contemporaines.

8. Parcours académique, affiliations universitaires et rayonnement institutionnel

8.1 Les années fécondes à l’Université de l’Indiana (1946-1962)

La période de seize années que William K. Estes passe à l’Université de l’Indiana, de 1946 à 1962, constitue sans conteste l’un des chapitres les plus incisifs et fondateurs de sa carrière académique. Recruté comme jeune professeur adjoint, il se trouve propulsé au sein d’un département en pleine effervescence scientifique, présidé par des figures de premier plan désireuses de hisser l’université au sommet de la recherche internationale. C’est à Bloomington qu’Estes noue une collaboration fraternelle et hautement prolifique avec le mathématicien et psychologue C.J. Burke. Ensemble, ils explorent les équations de l’échantillonnage de stimuli et rédigent une série de mémoires théoriques qui posent les bases formelles de l’apprentissage stochastique à choix multiples.

Dans ses laboratoires de l’Indiana, Estes réalise un tour de force expérimental en concevant des appareillages entièrement automatisés dédiés à l’enregistrement chronométrique de l’apprentissage chez le rongeur et chez l’être humain. Soucieux d’éliminer toute interférence humaine dans le recueil des données, il fait construire des pupitres de commande équipés de relais téléphoniques, de compteurs d’impulsions et de perforateurs de cartes, préfigurant avec une stupéfiante clairvoyance l’ère des laboratoires numérisés. Cette infrastructure pionnière lui permet de recueillir des centaines de milliers de points de données avec une précision temporelle sans précédent.

Cette période faste voit également l’émergence des premiers étudiants de thèse d’Estes, qui deviendront à leur tour les géants de la psychologie cognitive américaine. L’atmosphère de travail qui règne autour d’Estes à Bloomington est décrite par ses contemporains comme un modèle de rigueur intellectuelle austère, de dévouement monastique à l’expérience et d’élévation mathématique constante. Son ascension académique est fulgurante : promu professeur titulaire en un temps record, il attire l’attention des comités de recrutement des plus grandes universités de la côte Ouest et de la côte Est, qui convoitent ce jeune génie de la modélisation comportementale.

8.2 Le professorat à Stanford et la chaire à l’Université Rockefeller

En 1962, Estes cède aux sollicitations pressantes de l’Université de Stanford et rejoint la Californie, qui est en train de s’imposer comme le sanctuaire mondial de la révolution informatique naissante et de la psychologie formelle. À Stanford, Estes rejoint un groupe d’esprits d’exception composé de Patrick Suppes, Gordon Bower et Richard Atkinson. Durant six années effervescentes (1962-1968), ce pôle d’excellence va dominer sans partage les développements de la psychologie mathématique mondiale. Les séminaires de Stanford réunissent des chercheurs de toutes disciplines pour modéliser le traitement de l’information, la lecture automatisée assistée par ordinateur et les théories stochastiques de la décision dans des conditions d’incertitude.

Cependant, en 1968, mû par une curiosité scientifique inaltérable pour les substrats physiologiques et biologiques du comportement, Estes prend la décision surprenante de quitter Stanford pour rejoindre l’Université Rockefeller à New York. Institution de recherche biomédicale d’élite réputée pour ses nombreux prix Nobel et son absence totale de charges d’enseignement sous-gradué, l’Université Rockefeller offre à Estes un environnement d’une totale liberté scientifique. Titulaire d’une chaire professorale dotée de moyens considérables, il y implante un laboratoire de pointe où se croisent neurophysiologistes, biochimistes et psychologues quantitatifs.

À Rockefeller, où il enseigne et poursuit ses recherches de 1968 à 1979, Estes s’attache à jeter des ponts interdisciplinaires audacieux entre les théories probabilistes du conditionnement et les mécanismes neurobiologiques du renforcement cérébral. Il y approfondit l’étude des contraintes biologiques pesant sur l’apprentissage animal tout en maintenant des travaux intensifs sur la mémoire humaine et les temps de réaction perceptifs. Cette décennie new-yorkaise confère à l’œuvre d’Estes une assise biologique et biomédicale profonde, confirmant son statut d’architecte universel des sciences du comportement.

8.3 L’aboutissement de carrière à l’Université Harvard (1979-1999) et éméritat

En 1979, William K. Estes atteint le couronnement institutionnel de sa carrière en acceptant une chaire de professeur titulaire de psychologie au sein de la plus ancienne et prestigieuse institution universitaire des États-Unis : l’Université Harvard. Succédant symboliquement à la lignée des géants qui ont forgé la psychologie américaine à Cambridge — de William James à B.F. Skinner —, Estes apporte au département de Harvard une autorité scientifique incontestée et une vision épistémologique moderne. Il est rapidement élu président du département de psychologie, fonction qu’il exerce avec une équité, une sagesse administrative et une rigueur de gestion unanimement saluées par ses pairs.

À Harvard, Estes orchestre le rapprochement définitif entre la psychologie expérimentale traditionnelle et les sciences cognitives computationnelles émergentes. Malgré des charges administratives lourdes, il maintient un rythme de publication époustouflant, rédigeant plusieurs ouvrages monographiques majeurs dont Models of Learning and Memory et Classification and Cognition, qui font autorité internationale dès leur parution. Sa porte demeure constamment ouverte aux jeunes chercheurs, aux étudiants gradués et aux collègues étrangers venus s’initier à la modélisation formelle.

Lorsqu’il prend officiellement sa retraite professorale en 1989 pour accéder au statut d’émérite, Estes refuse de cesser son activité intellectuelle. Durant plus de quinze ans, jusqu’au milieu des années 2000, il conserve un bureau de recherche actif à Harvard, puis à l’Université de l’Indiana où il revient passer ses dernières années. Avec une lucidité d’esprit intacte, il continue de participer aux congrès annuels de la Psychonomic Society, publiant des articles de synthèse théorique sur les réseaux neuronaux artificiels, les modèles bayésiens et la dynamique temporelle du traitement visuel jusqu’à un âge très avancé.

9. Débats théoriques, controverses épistémologiques et synthèses conceptuelles

9.1 La controverse sur la nature de l’apprentissage : incrémental versus tout-ou-rien

Au cœur des décennies 1950 et 1960, William K. Estes se retrouve au centre de l’une des controverses épistémologiques les plus passionnées et déterminantes de la psychologie expérimentale : le débat sur la nature continue ou discontinue de l’apprentissage associatif. D’un côté, les tenants du béhaviorisme mécaniste hullien et néo-hullien — emmenés par Kenneth Spence — affirment que l’apprentissage est par essence un processus incrémental continu, caractérisé par l’accumulation infinitésimale de force d’habitude à chaque présentation conjointe du stimulus et du renforçateur. Selon cette vision, le système nerveux accumule progressivement du potentiel comportemental selon une dynamique analogue à la charge d’un condensateur électrique.

Estes s’érige contre cette vision continue, qu’il qualifie d’illusion résultant d’un biais statistique élémentaire mais dévastateur : le sophisme du moyennage collectif. Il entreprend de démontrer que lorsque l’on analyse méticuleusement les courbes d’apprentissage individuelles sujet par sujet et item par item, la réalité biologique sous-jacente est d’une tout autre nature : l’apprentissage opère par sauts qualitatifs discrets en tout-ou-rien. Le passage d’un état de non-savoir à un état de savoir s’effectue en une seule transition stochastique critique.

Pour trancher la querelle, Estes déploie des batteries d’analyses statistiques complexes portant sur la distribution des erreurs pré-critiques. Il prouve de manière irréfutable que jusqu’à l’essai où se produit l’apprentissage réussi, la performance du sujet ne présente rigoureusement aucun progrès statistique cumulatif, la probabilité d’erreur demeurant rigoureusement plate avant de s’effondrer instantanément à zéro. Cette découverte conceptuelle fondamentale porte un coup fatal aux modèles d’accumulation continue de type hullien et préfigure avec une décennie d’avance la conception de l’esprit comme un système informatique procédant par basculements logiques discrets d’états mémoires binaires.

9.2 L’intégration du tournant cognitif sans renier la rigueur béhavioriste

L’attitude intellectuelle d’Estes face à la révolution cognitive des années 1960 et 1970 offre une leçon magistrale d’épistémologie appliquée. Contrairement à de nombreux béhavioristes radicaux qui choisissent de s’enfermer dans un déni dogmatique en qualifiant l’esprit de concept métaphysique non scientifique, Estes reconnaît immédiatement la pertinence et la nécessité d’étudier les architectures internes de l’information. De même, contrairement à certains pionniers du cognitivisme qui rejettent avec condescendance l’héritage expérimental du conditionnement au profit de métaphores computationnelles souvent vagues, Estes adopte une posture d’intégration synthétique exigeante.

Estes préconise un béhaviorisme méthodologique sophistiqué au service d’une modélisation cognitive sans concession. Son mot d’ordre théorique est limpide : toute hypothèse portant sur des structures internes inobservables — qu’il s’agisse de mémoires tampons, d’espaces multidimensionnels de similarité, de filtres attentionnels ou de mécanismes de décision — n’a de valeur scientifique que si et seulement si elle peut être formulée sous la forme d’un modèle algorithmique ou probabiliste explicite dont les sorties prédisent des variables comportementales publiques mesurables (taux d’erreur, matrices de confusion, distributions de temps de réaction).

Ce dialogue rigoureux permet à Estes de collaborer étroitement avec les grands fondateurs des sciences cognitives, tels qu’Ulric Neisser, Donald Broadbent et Allen Newell, tout en agissant comme la conscience méthodologique intraitable de la discipline. Il ne cesse de mettre en garde ses confrères contre la prolifération de diagrammes de flux mentalistes non contraints par des lois mathématiques et dépendant d'”homoncules” dissimulés dans les boîtes de traitement. En maintenant un ancrage intransigeant dans la validation empirique quantitative, Estes a empêché la jeune psychologie cognitive de dériver vers des spéculations descriptives invérifiables, lui conférant son armature scientifique contemporaine.

9.3 La critique des théories unilatérales de la décision et de l’utilité espérée

L’engagement épistémologique d’Estes l’a également conduit à affronter les présupposés de la science économique classique. Au cours des années 1960 et 1970, l’analyse de la décision humaine est dominée par la théorie néoclassique de l’utilité espérée, issue des axiomes de John von Neumann et Oskar Morgenstern. Ce modèle postule un Homo oeconomicus doté d’une rationalité absolue, capable d’évaluer de manière déterministe les probabilités objectives de chaque issue et d’optimiser parfaitement ses choix pour maximiser son espérance de gain.

S’appuyant sur ses expériences fondamentales d’apprentissage probabiliste et d’appariement de probabilités (probability matching), Estes porte une critique dévastatrice contre cette rationalité économique désincarnée. Il soutient que la théorie de l’utilité espérée échoue à comprendre la nature fondamentalement adaptative et dynamique de l’esprit biologique. L’être humain n’est pas une machine à calculer des équations d’optimisation statiques ; c’est un organisme confronté à un monde en mutation constante, dont les décisions reposent sur l’échantillonnage continu d’expériences mémorielles finies et bruitées.

Estes démontre que les déviations systématiques observées chez les sujets humains face aux préceptes de la rationalité économique ne relèvent pas de l’irrationalité ou de la déficience cognitive, mais sont les conséquences mathématiquement inévitables d’un système qui utilise des heuristiques d’échantillonnage mnésique stochastique pour préserver sa flexibilité face aux changements environnementaux imprévus. Par cette analyse visionnaire, Estes a posé des fondations conceptuelles inestimables qui ont directement nourri les travaux d’Amos Tversky et Daniel Kahneman lors de l’élaboration de la théorie des perspectives et de l’avènement de l’économie comportementale moderne.

10. Distinctions académiques, honneurs scientifiques et reconnaissance par les pairs

10.1 L’élection aux académies scientifiques les plus prestigieuses

La puissance d’innovation et la rectitude formelle des travaux de William K. Estes lui ont valu une reconnaissance institutionnelle exceptionnelle au sein de l’élite scientifique mondiale. Dès 1963, alors qu’il n’est âgé que de 44 ans — un âge extraordinairement précoce pour cette institution réputée pour sa réserve —, il est élu membre titulaire de la National Academy of Sciences (NAS) des États-Unis dans la section de psychologie et des sciences cognitives. Cette élection consacre formellement le triomphe de la psychologie mathématique et stochastique sur les scènes académiques les plus exigeantes de la nation.

Au sein de l’Académie nationale, Estes ne se contente pas d’un rôle honorifique : il prend une part extrêmement active aux travaux du National Research Council (NRC), présidant et animant de nombreuses commissions chargées d’évaluer les priorités de la recherche fédérale dans le domaine des sciences du comportement, des technologies de l’apprentissage et des interfaces homme-machine. Ses avis méthodologiques, réputés pour leur rigueur glaciale et leur clairvoyance stratégique, influencent durablement l’attribution des financements publics accordés par la National Science Foundation (NSF) et les National Institutes of Health (NIH).

Cette élection inaugurale est suivie de son admission consécutive au sein des sociétés savantes les plus illustres du pays : l’American Academy of Arts and Sciences en 1982, ainsi que la prestigieuse American Philosophical Society fondée par Benjamin Franklin. Ces honneurs répétés témoignent du rayonnement d’un homme dont l’influence intellectuelle dépassait largement les frontières strictes de la psychologie pour embrasser l’ensemble de la philosophie naturelle et des sciences formelles de la connaissance.

10.2 La National Medal of Science (1997) : couronnement d’une carrière

Le couronnement suprême de l’existence scientifique de William K. Estes survient en 1997, lorsqu’il se voit décerner la plus haute distinction scientifique que le gouvernement des États-Unis puisse accorder à un chercheur : la National Medal of Science. Cette médaille d’or lui est remise en main propre dans la Maison Blanche par le président Bill Clinton, lors d’une cérémonie solennelle retransmise à l’échelle internationale.

La motivation officielle accompagnant l’attribution de la médaille salue avec une rare éloquence la trajectoire d’un pionnier absolu :

« Pour ses théories quantitatives fondamentales de l’apprentissage, de la mémoire et de la décision, et pour son engagement exemplaire à transformer la science du comportement en une discipline rigoureuse, mathématique et cumulative. »

L’attribution de la National Medal of Science à un psychologue représentait un événement rarissime dans l’histoire de cette institution, généralement dominée par les représentants de la physique nucléaire, de la biologie moléculaire ou des mathématiques fondamentales. Ce sacre officiel a attesté devant le monde entier que grâce au génie d’Estes, l’étude scientifique du comportement et des fonctions cognitives avait enfin accédé au statut convoité de “science dure”, dotée d’une axiomatique solide, de théorèmes déductibles et de prédictions quantitatives d’une exactitude irréfutable.

10.3 Prix et distinctions décernés par les sociétés savantes internationales

Tout au long de son existence, les plus grandes organisations professionnelles et scientifiques n’ont cessé de rendre hommage au professeur Estes. Dès 1962, l’American Psychological Association (APA) lui décerne sa récompense suprême : le Distinguished Scientific Contribution Award, soulignant que ses modèles probabilistes ont bouleversé de fond en comble la compréhension des processus adaptatifs. La Society of Experimental Psychologists (SEP) lui attribue la prestigieuse Médaille Howard Crosby Warren, le plus ancien et le plus sélectif des prix décernés à la recherche expérimentale nord-américaine.

Estes s’est vu conférer de multiples doctorats honoris causa par les plus illustres universités américaines et européennes, saluant en lui le refondateur de la psychologie expérimentale. Il reçoit également le prestigieux prix de la Fondation Fyssen à Paris, témoignant de l’impact planétaire de ses théories sur la communauté des neurosciences et des sciences cognitives européennes. De son vivant, la Psychonomic Society — dont il avait été l’un des membres fondateurs les plus influents — crée les W.K. Estes Symposia, des sessions plénières annuelles destinées à honorer les avancées les plus spectaculaires de la modélisation computationnelle de l’esprit.

Ces honneurs innombrables n’ont jamais altéré l’humilité légendaire de l’homme. Fuyant les mondanités académiques et le culte de la personnalité, Estes a accueilli chacune de ces distinctions non comme des hommages rendus à sa personne, mais comme la victoire collective d’un idéal scientifique : celui d’une science psychologique débarrassée de ses illusions rhétoriques et résolument ancrée dans la rigueur des faits mathématisés.

11. Héritage intellectuel et prolongements dans les sciences cognitives computationnelles

11.1 L’ancêtre direct des modèles de renforcement en intelligence artificielle

L’un des aspects les plus fascinants de l’œuvre de William K. Estes est son extraordinaire fécondité technologique et conceptuelle pour l’intelligence artificielle contemporaine. En formulant dès 1950 la théorie de l’échantillonnage des stimuli et en établissant des règles stochastiques d’ajustement des probabilités associatives en fonction de rétroactions environnementales, Estes a posé, sans le savoir explicitement à l’origine, les bases mathématiques de ce qui constitue aujourd’hui le domaine de l’apprentissage par renforcement (Reinforcement Learning).

Les historiens des sciences cognitives ont démontré les liens d’isomorphisme mathématique directs reliant les équations de récurrence stochastique d’Estes à la célèbre règle d’apprentissage de Rescorla et Wagner (1972), ainsi qu’aux algorithmes modernes de différence temporelle (Temporal Difference Learning ou algorithme TD) formalisés par Richard Sutton et Andrew Barto à la fin des années 1980. L’équation de mise à jour d’Estes :

$$p_{n+1} = p_n + \theta (1 – p_n)$$

n’est autre que la version canonique primordiale de l’algorithme d’erreur de prédiction guidant la mise à jour des poids synaptiques artificiels au cœur des réseaux de neurones profonds. Sutton et Barto ont eux-mêmes rendu un vibrant hommage à Estes, soulignant que ses travaux de modélisation du conditionnement ont fourni l’ossature théorique sans laquelle les agents informatiques autonomes actuels — capables de triompher aux jeux d’échecs, de go ou de naviguer de manière autonome — n’auraient jamais pu être conceptualisés.

De surcroît, les mécanismes matriciels de l’Array Model d’Estes préfiguraient les architectures de mémoire à adressage par le contenu et les réseaux de neurones distribués modernes tels que les mémoires de Hopfield et les architectures d’attention sélective contemporaines (Transformers). En concevant le rappel et la catégorisation comme une diffusion de requêtes vectorielles interrogeant une matrice de traces d’exemplaires concrets, Estes a conçu dès 1986 le schéma computationnel exact de la recherche vectorielle qui propulse aujourd’hui les plus puissants moteurs d’inférence de l’intelligence artificielle générative.

11.2 La descendance scientifique : générations d’étudiants et de collaborateurs éminents

L’héritage d’un grand universitaire se mesure également à l’aune de la postérité de ses disciples. De ce point de vue, William K. Estes a constitué l’un des mentors les plus prodigieux de l’histoire de la psychologie américaine. Par son enseignement rigoureux et son exigence méthodologique bienveillante, il a formé et guidé personnellement des générations de chercheurs qui sont devenus à leur tour les chefs de file des sciences cognitives de la fin du vingtième siècle.

Parmi ses étudiants et collaborateurs immédiats figurent des figures titanesques :

• Gordon H. Bower, professeur à l’Université de Stanford, pionnier mondial de l’apprentissage mathématique, des modèles de réseaux sémantiques et de l’impact des états émotionnels sur la mémoire humaine ;
• David E. Rumelhart, le génial architecte de la révolution connexionniste et du paradigme PDP (Parallel Distributed Processing), qui a introduit la rétropropagation du gradient dans les réseaux de neurones formels après avoir été formé aux modèles markoviens d’Estes ;
• Robert M. Nosofsky, créateur du Generalized Context Model (GCM), qui a porté les modèles d’exemplaires d’Estes à leur apogée dans le domaine de la catégorisation humaine ;
• Douglas L. Medin, théoricien majeur de la cognition conceptuelle et des représentations contextuelles ;
• Richard M. Shiffrin, coauteur du modèle modal de la mémoire humaine et théoricien de la recherche indicée dans les registres à long terme.

Chacun de ces scientifiques a conservé dans son propre parcours le “style Estes” : une alliance indissoluble entre un scepticisme empirique impitoyable face aux modes intellectuelles du moment, un recours systématique à la déduction mathématique transparente et une foi inaltérable dans la primauté de la donnée expérimentale obtenue dans des conditions de contrôle irréprochables.

11.3 L’actualité des approches exemplales et de l’échantillonnage bayésien contemporain

Bien loin d’appartenir à un passé révolu, la pensée de William K. Estes connaît aujourd’hui une résurgence spectaculaire au sein des courants les plus novateurs des sciences cognitives computationnelles. Le modèle contemporain du « cerveau bayésien » (Bayesian Brain), popularisé par des chercheurs de premier plan tels que Joshua Tenenbaum à Boston ou Stanislas Dehaene en Europe, trouve ses racines conceptuelles directes dans la théorie d’échantillonnage des stimuli. Les recherches actuelles sur l’inférence probabiliste humaine démontrent que le système nerveux, lorsqu’il est confronté à des décisions perceptives sous incertitude, procède exactement comme le prédisait Estes : par échantillonnage stochastique itératif de micro-hypothèses discrets (échantillonneurs de Gibbs cognitifs ou méthodes de Monte-Carlo par chaînes de Markov).

Dans le domaine de l’apprentissage automatique, les limites rencontrées par les réseaux neuronaux massifs sur-paramétrés — qui nécessitent des millions d’exemples d’apprentissage pour converger — ont suscité un retour en grâce spectaculaire des modèles fondés sur les exemplaires d’Estes. Les approches dites d’apprentissage en quelques essais (few-shot learning) et les réseaux à mémoire épisodique externe exploitent explicitement les algorithmes de similarité d’exemplaires pour classifier de nouveaux stimuli à partir d’une poignée de traces stockées, validant de manière éclatante les intuitions formulées par Estes un demi-siècle plus tôt.

Enfin, dans les laboratoires contemporains de neurobiologie moléculaire et comportementale, le paradigme de suppression conditionnée (CER) conçu en 1941 par Estes et Skinner demeure l’outil expérimental incontournable pour cartographier les circuits de la peur dans l’amygdale basolatérale, pour tester l’impact de l’extinction sur les récepteurs NMDA et pour étudier la reconsolidation mnésique. Rares sont les protocoles scientifiques élaborés il y a plus de quatre-vingts ans qui peuvent s’enorgueillir d’une telle pérennité opérationnelle dans la recherche de pointe la plus moderne.

12. Conclusion : William K. Estes et l’unification quantitative de la psychologie

12.1 Synthèse de l’apport épistémologique : transformer la psychologie en science dure

En embrassant d’un seul regard l’immense trajectoire intellectuelle accomplie par William K. Estes entre sa naissance en 1919 et sa disparition en 2011, la postérité scientifique ne peut qu’être saisie d’admiration devant la cohérence et l’ampleur de son legs épistémologique. Estes a été l’instrument providentiel par lequel la psychologie a définitivement rompu avec son passé spéculatif, littéraire ou pré-scientifique pour conquérir son statut de science exacte à part entière.

Son apport fondamental consiste à avoir démontré que la variabilité et la stochasticité du comportement humain et animal ne constituent pas une tare méthodologique ou un obstacle à la formalisation, mais représentent l’essence même des processus d’apprentissage adaptatif. En remplaçant les lois déterministes rigides de Clark Hull et les descriptions empiriques athéoriques de Skinner par les lois élégantes des probabilités stochastiques et de la théorie des ensembles, Estes a réconcilié la rigueur du laboratoire comportementaliste avec la richesse des architectures internes des sciences cognitives.

Il a prouvé que des phénomènes aussi insaisissables en apparence que l’angoisse émotionnelle, l’oubli temporel, l’ordre sériel de la parole, l’intuition probabiliste et l’abstraction conceptuelle obéissent à des théorèmes déductibles, vérifiables et quantifiables. Son œuvre monumentale a unifié sous une même bannière formelle le conditionnement du rat dans sa cage et les processus de décision les plus subtils de l’esprit humain, fournissant un cadre axiomatique universel qui continuera de guider les explorateurs de l’esprit durant les siècles à venir.

12.2 La figure du savant : rigueur méthodologique, humilité et éthique de recherche

Au-delà de ses équations matricielles et de ses modèles probabilistes immortels, William K. Estes laisse le souvenir lumineux d’une incarnation parfaite de l’éthique scientifique dans ce qu’elle a de plus noble et de plus désintéressé. Homme d’une courtoisie exquise, d’une grande discrétion personnelle et d’une probité intellectuelle absolue, il fuyait comme la peste les querelles d’ego, les polémiques médiatiques et les engouements conceptuels passagers qui traversent périodiquement les sciences humaines.

Guidé exclusivement par la quête passionnée de la vérité empirique des faits et par la beauté de la démonstration logique, Estes a incarné l’idéal du savant voué corps et âme à sa discipline. Sa vie entière aura été un hymne silencieux à la patience du laboratoire, à la précision de la mesure et à l’intégrité morale du chercheur face à la complexité insondable de la nature. William Kaye Estes repose désormais pour l’éternité au panthéon des plus grands esprits de la psychologie mondiale, aux côtés d’Hermann von Helmholtz, William James et Ivan Pavlov, comme celui qui sut déchiffrer la partition mathématique secrète selon laquelle l’esprit apprend, se souvient et découvre le monde.

Références

• Atkinson, R. C., & Estes, W. K. (1963). Stimulus sampling theory. In R. D. Luce, R. R. Bush, & E. Galanter (Eds.), Handbook of Mathematical Psychology (Vol. 2, pp. 121–268). John Wiley & Sons.
• Bush, R. R., & Mosteller, F. (1955). Stochastic Models for Learning. John Wiley & Sons.
• Estes, W. K. (1950). Toward a statistical theory of learning. Psychological Review, 57(2), 94–107. https://doi.org/10.1037/h0058559
• Estes, W. K. (1959). The statistical approach to learning theory. In S. Koch (Ed.), Psychology: A Study of a Science (Vol. 2, pp. 380–491). McGraw-Hill.
• Estes, W. K. (1960). A random-walk model for choice behavior. In K. J. Arrow, S. Karlin, & P. Suppes (Eds.), Mathematical Methods in the Social Sciences (pp. 265–276). Stanford University Press.
• Estes, W. K. (1972). An associative basis for coding and retrieval of information about sequential order. Cognitive Psychology, 3(2), 161–197. https://doi.org/10.1016/0010-0285(72)90001-3
• Estes, W. K. (1976). The cognitive side of conditioning. Contemporary Educational Psychology, 1(1), 24–36.
• Estes, W. K. (1986). Array models for category learning. Cognitive Psychology, 18(4), 500–549. https://doi.org/10.1016/0010-0285(86)90008-0
• Estes, W. K. (1991). Statistical Models in Behavioral Research. Lawrence Erlbaum Associates.
• Estes, W. K. (1994). Classification and Cognition. Oxford University Press.
• Estes, W. K., & Burke, C. J. (1953). A theory of stimulus variability in learning. Psychological Review, 60(4), 276–286. https://doi.org/10.1037/h0056156
• Estes, W. K., & Skinner, B. F. (1941). Some quantitative properties of anxiety. Journal of Experimental Psychology, 29(5), 390–400. https://doi.org/10.1037/h0062283
• Hull, C. L. (1943). Principles of Behavior: An Introduction to Behavior Theory. Appleton-Century-Crofts.
• Luce, R. D., Bush, R. R., & Galanter, E. (Eds.). (1963–1965). Handbook of Mathematical Psychology (Vols. 1–3). John Wiley & Sons.
• Medin, D. L., & Schaffer, M. M. (1978). Context theory of classification learning. Psychological Review, 85(3), 207–238. https://doi.org/10.1037/0033-295X.85.3.207
• Nosofsky, R. M. (1986). Attention, similarity, and the identification-categorization relationship. Journal of Experimental Psychology: General, 115(1), 39–57. https://doi.org/10.1037/0096-3445.115.1.39
• Rescorla, R. A., & Wagner, A. R. (1972). A theory of Pavlovian conditioning: Variations in the effectiveness of reinforcement and nonreinforcement. In A. H. Black & W. F. Prokasy (Eds.), Classical Conditioning II: Current Research and Theory (pp. 64–99). Appleton-Century-Crofts.
• Shiffrin, R. M., & Nosofsky, R. M. (1994). Model building shortly after the midcentury: Estes’s stimulus sampling theory. In D. L. Medin (Ed.), The Psychology of Learning and Motivation (Vol. 31, pp. 1–48). Academic Press.
• Sutton, R. S., & Barto, A. G. (1998). Reinforcement Learning: An Introduction. MIT Press.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124