Les mots nous manquent pour dire le plus banal des paysages. Vite à court de phrases, nous sommes incapables de faire le portrait d'une orée. Un pré, déjà, nous met à la peine, que grêlent l'aigremoine, le cirse et l'ancolie. Il n'en a pourtant pas toujours été ainsi. Au temps de Goethe et de Humboldt, le rêve d'une " histoire naturelle " attentive à tous les êtres, sans restriction ni distinction aucune, s'autorisait des forces combinées de la science et de (...) la littérature pour élever la " peinture de paysage " au rang d'un savoir crucial. La galaxie et le lichen, l'enfant et le papillon voisinaient alors en paix dans un même récit. Ce n'est pas que l'homme comptait peu : c'est que tout comptait infiniment. Des croquis d'Alfred Wallace aux " proêmes " de Francis Ponge, des bestiaires de William Swainson aux sonnets de Rainer Maria Rilke, ce livre donne à entendre le chant, aussi tenace que ténu, d'un très ancien savoir sur le monde - un savoir qui répertorie les êtres par concordances de teintes et de textures, compose avec leurs lueurs des dictionnaires éphémères, s'abîme et s'apaise dans le spectacle de leurs métamorphoses. (shrink)

Recent computational models of perception conceptualize auditory oddball responses as signatures of a learning process, in line with the influential view of the mismatch negativity as a prediction error signal. Novel MMN experimental paradigms have put an emphasis on neurophysiological effects of manipulating regularity and predictability in sound sequences. This raises the question of the contextual adaptation of the learning process itself, which on the computational side speaks to the mechanisms of gain-modulated prediction error. In this study using electrocorticographic signals, (...) we manipulated the predictability of oddball sound sequences with two objectives: Uncovering the computational process underlying trial-by-trial variations of the cortical responses. The fluctuations between trials, generally ignored by approaches based on averaged evoked responses, should reflect the learning involved. We used a general linear model and Bayesian Model Reduction to assess the respective contributions of experimental manipulations and learning mechanisms under probabilistic assumptions. To validate and expand on previous findings regarding the effect of changes in predictability using simultaneous EEG-MEG recordings. Our trial-by-trial analysis revealed only a few stimulus-responsive sensors but the measured effects appear to be consistent over subjects in both time and space. In time, they occur at the typical latency of the MMN. In space, we found a dissociation between time-independent effects in more anterior temporal locations and time-dependent effects in more posterior locations. However, we could not observe any clear and reliable effect of our manipulation of predictability modulation onto the above learning process. Overall, these findings clearly demonstrate the potential of trial-to-trial modeling to unravel perceptual learning processes and their neurophysiological counterparts. (shrink)