Pourquoi le domaine correspond
La psychologie est fondamentalement axée sur la manière dont les organismes gèrent l'incertitude : interprétation des signaux sensoriels ambigus, formation de croyances, régulation des corps et des émotions, et sélection d'actions dans des situations partiellement observables. L’inférence active traite ces fonctions comme des instances d’inférence probabiliste sous un modèle génératif, où la perception infère les états cachés, l’apprentissage met à jour les paramètres du modèle et l’action échantillonne les observations préférées en minimisant l’énergie libre attendue. Cela donne aux constructions psychologiques longuement décrites qualitativement — schémas, évaluations, mécanismes de défense, stratégies d’adaptation — un traitement mathématique explicite, par exemple en modélisant des évaluations de menace biaisées anxieuses comme des a-priori qui surpondèrent le danger et entraînent un comportement hypervigilant.
État de la littérature
Une revue d’entropie de 2024, «Active Inference in Psychology and Psychiatry: Progress to Date?», examine les applications dans l'émotion, l'interoception, le sentiment de soi, la cognition sociale et la psychopathologie, arguant que le cadre pourrait unifier ces sous-domaines tout en soulignant la nécessité d'essais empiriques rigoureux. La théorie de Lisa Feldman Barrett sur l'émotion construite recast l'émotion comme une inférence sur les entrées interoceptives et exteroceptives à l'aide de concepts stockés ; le travail connexe étend cela à la psychopathologie interoceptive, l'anxiété en tant que « incertitude apprise », les comptes rendus allostatiques de la dépression, l'addiction comme inférence optimale dans un modèle sous-optimal et les symptômes négatifs de la schizophrénie en tant qu'échecs pour prédire les conséquences des actions propres. La psychothérapie elle-même a été formalisée de manière computationnelle, avec des modèles d’inférence active de TCC et de Thérapie de Cohérence simulant comment les interventions révisent les priors et les politiques.
Projets et outils clés
Le principal pilier computationnel invoqué est le travail sur l'inférence active dans des espaces d'états discrets («Inférence active dans les espaces d'états discrets : une synthèse»), qui fournit des algorithmes pour les modèles génératifs catégoriels, l'évaluation de la politique et la mise à jour des croyances qui sous-tendent les applications computationnelles en psychiatrie. Le rapport note également des routines MATLAB associées au groupe de Karl Friston à l'UCL et des packages Python mettant en œuvre l'inférence active discrète, utilisés pour ajuster des modèles aux données de tâches comportementales et inférer les différences individuelles dans les a priori et la précision. Existe du code spécifique à la tâche pour les modèles de simulation de TCC avec des a priori et des préférences patient spécifiques réglables, bien que le modèle de Thérapie de Cohérence reste largement théorique plutôt que logiciel mis en œuvre ; le rapport note explicitement que des systèmes cliniques déployés en totalité basés sur l'inférence active sont encore rares.
Problèmes non résolus
Le rapport souligne une tension fondamentale entre l'affirmation normative de l'inférence active (les agents minimisent l'énergie libre) et la variabilité réelle du comportement humain, souvent sous-optimale et façonnée culturellement et situationnellement, aggravée par le risque d'identification des modèles en raison des a priori à haute dimensionnalité, des termes de précision et des préférences. La validation empirique à différents niveaux de description est limitée : la plupart des modèles sont testés sur des tâches simples avec une validité écologique restreinte, et les affirmations concernant soi, identité et personnalité sont largement conceptuelles plutôt que basées sur des données. Le rapport appelle à des études longitudinales, multimodales reliant les données neurales, physiologiques, comportementales et d'auto-déclaration aux paramètres des modèles, des comparaisons avec des cadres alternatifs tels que l'apprentissage par renforcement, et des essais contrôlés de interventions fondées sur l'inférence active avant la traduction clinique – y compris une attention à l'interprétabilité, aux différences individuelles et culturelles, et à l'éthique de la prédiction du comportement basée sur les modèles.
Squelette de référence
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant, Lancelot Da Costa, Casper Hesp, Beren Millidge, Alexander Tschantz (2023). On Bayesian Mechanics: A Physics of and by Beliefs. arXiv. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.