Simulation d’un modèle de motivation. Les simulations ont été réalisées à partir d’un modèle approximé par l’équation (2), et appliqué à la tâche de motivation incitative illustrée Figure 2 (bas, droite) avec 6 niveaux de récompenses présentés aléatoirement au cours de 60 essais (selon [33]). A. Variables cachées. Dans un essai donné, le modèle anticipe pour chaque pic de force possible le bénéfice associé (gauche) et le coût associé (droite). Le bénéfice attendu est proportionnel au pic de force, avec une pente qui dépend de l’enjeu monétaire présenté à cet essai (seuls 4 niveaux sont illustrés). Le coût attendu est une fonction supra-linéaire du pic de force, dont la pente dépend du niveau de fatigue (c’est-à-dire du nombre d’essai réalisés jusque-là). Deux niveaux de fatigue sont illustrés, montrant le coût de l’effort au début et à la fin de la tâche. La valeur nette est obtenue par soustraction des coûts aux bénéfices. Le comportement prédit par le modèle est le pic de force optimal (pour lequel la valeur nette est maximale), comme illustré par les flèches vertes. La force optimale augmente avec le niveau de récompense, reproduisant l’effet de motivation incitative. B. Simulations du comportement. Les graphiques montrent l’influence sur le comportement de deux facteurs : le niveau de récompense en jeu (bas) et le numéro de l’essai (haut). Les différentes colonnes montrent les modifications du comportement lorsqu’on fait varier un seul paramètre libre du modèle (ligne grise versus noire). Augmenter la sensibilité aux récompenses (Kr) relève la pente de la relation entre force et récompense, tandis qu’augmenter la sensibilité au coût de l’effort (Kc) déplace globalement la production de force vers le bas, et qu’augmenter la sensibilité à la fatigue (K_f) abaisse la pente de la variation au travers des essais. Pour exemple, l’effet des traitements dopaminergiques utilisés dans la maladie de Parkinson correspond à une élévation du Kr (colonne de gauche).