Julie Drevet
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Julie Drevet has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Valentin Wyart
Laboratoire de Neurosciences Cognitives et Computationnelles (LNC2), Institut National de la Santé et de la Recherche Médicale (Inserm), Paris, France
4 shared publications - Jan Drugowitsch
Harvard Medical School
3 shared publications - Lucas Benjamin
Laboratoire de Neurosciences Cognitives et Computationnelles, Inserm U 960, Paris, France
2 shared publications - Lindsay Rondot
Center for Mind and Brain, University of California Davis
1 shared publication
Latest Publications
- Open Access
Flexible compression of sensory evidence makes human decisions more resilient to noisy neural computations
Categorizing ambiguous stimuli requires accumulating sensory evidence over time through noisy neural computations. Theories disagree on whether this evidence is accumulated in its native sensory space or in an abstract and compressed category space that retains only decision-relevant information. Here we designed a visual categorization task in which revealing decision categories before or after a stimulus sequence determines which space can be used to accumulate evidence, without changing the optimal decision. Humans were more accurate, and their inferences less noisy, when they could accumulate evidence in category space. Concurrent magnetoencephalographic (MEG) recordings revealed flexible and accuracy-predictive representations of evidence compressed onto decision categories in these conditions. Recurrent neural networks (RNNs) trained on the same task developed the same strategy, which made their decisions more resilient to noisy computations. Together, these findings suggest that the human brain mitigates the cost of noisy inferences by focusing limited computational resources on decision-relevant information.
Open AccessFlexible compression of sensory evidence makes human decisions more resilient to noisy neural computations
Categorizing ambiguous stimuli requires accumulating sensory evidence over time through noisy neural computations. Theories disagree on whether this evidence is accumulated in its native sensory space or in an abstract and compressed category space that retains only decision-relevant information. Here we designed a visual categorization task in which revealing decision categories before or after a stimulus sequence determines which space can be used to accumulate evidence, without changing the optimal decision. Humans were more accurate, and their inferences less noisy, when they could accumulate evidence in category space. Concurrent magnetoencephalographic (MEG) recordings revealed flexible and accuracy-predictive representations of evidence compressed onto decision categories in these conditions. Recurrent neural networks (RNNs) trained on the same task developed the same strategy, which made their decisions more resilient to noisy computations. Together, these findings suggest that the human brain mitigates the cost of noisy inferences by focusing limited computational resources on decision-relevant information.
- Open Access
Neural abstraction of evidence accumulation enables flexible multidimensional perceptual decisions
Human perceptual decisions adapt to rich and changing contexts but are typically tested under impoverished conditions. To probe this flexibility, we examined decisions requiring both the selection and the combination of multiple sensory features across sequences of objects. Here we show that human decision flexibility extends beyond feature selection to combination, even across sensory modalities, supported by the abstraction of underlying neural representations. Rapid magnetoencephalographic (MEG) responses reveal a hierarchy of object representations that become increasingly abstract and gated according to their decision relevance. A shared abstract representation of updates reflects evidence accumulation collapsed onto the relevant axis across unidimensional (selection-based) and multidimensional (combination-based) contexts. Recurrent neural networks tested under the same conditions acquire and benefit from abstract representations only when operating under human levels of computational noise. Together, these findings provide a ‘flexibility through abstraction’ account of human decisions across a broader range of everyday perceptual conditions.
Open AccessNeural abstraction of evidence accumulation enables flexible multidimensional perceptual decisions
Human perceptual decisions adapt to rich and changing contexts but are typically tested under impoverished conditions. To probe this flexibility, we examined decisions requiring both the selection and the combination of multiple sensory features across sequences of objects. Here we show that human decision flexibility extends beyond feature selection to combination, even across sensory modalities, supported by the abstraction of underlying neural representations. Rapid magnetoencephalographic (MEG) responses reveal a hierarchy of object representations that become increasingly abstract and gated according to their decision relevance. A shared abstract representation of updates reflects evidence accumulation collapsed onto the relevant axis across unidimensional (selection-based) and multidimensional (combination-based) contexts. Recurrent neural networks tested under the same conditions acquire and benefit from abstract representations only when operating under human levels of computational noise. Together, these findings provide a ‘flexibility through abstraction’ account of human decisions across a broader range of everyday perceptual conditions.
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Computational and cerebral characterization of perceptual categorization mechanisms under uncertainty
Caractérisation computationnelle et cérébrale des mécanismes de catégorisation perceptuelle en situation d'incertitude: La prise de décision perceptuelle est rendue difficile par l’incertitude inhérente aux informations sensorielles présentes dans notre environnement. Il est possible de réduire cette incertitude en combinant ces informations imparfaites, comme le formalise de façon optimale l’inférence statistique dite « bayésienne ». Mais ce processus d’inférence demeure sousoptimal et contribue largement à la grande variabilité des décisions humaines. Pourtant, ces erreurs dites ‘inférentielles’ sont le plus souvent sous-estimées par les théories existantes. Au lieu d’ignorer ces limitations profondes et d’approximer la prise de décision avec des modèles optimaux, cette thèse a pour but de mettre en avant les stratégies cognitives humaines déployées pour compenser ces limitations. Dans une première étude expérimentale, nous avons étudié la prise de décision catégorielle dans des environnements changeants. Dans ces conditions, les erreurs inférentielles interfèrent avec ce processus d’inférence et provoquent des changements d’avis inopportuns. En développant puis comparant différents modèles computationnels, nous avons montré que les sujets humains sont capables de contrebalancer la variabilité engendrée par leurs erreurs inférentielles en utilisant une stratégie d’inférence dite ‘conditionnelle’ : au lieu d’accumuler systématiquement l’information bruitée, les croyances ne sont mises à jour que si cette information est jugée suffisamment fiable. Cette stratégie parcimonieuse permet non seulement de réduire les coûts cognitifs engendrés par des changements d’avis inopportuns, mais elle permet également de prendre objectivement de meilleures décisions. Dans une seconde étude expérimentale, nous avons comparé les stratégies cognitives déployées pour compenser les coûts des erreurs inférentielles pour deux types d’incertitude souvent confondus dans la littérature : l’incertitude sensorielle et l’incertitude catégorielle. Cette étude a permis non seulement d’établir que les sujets humains s’adaptent à chaque type d’incertitude en déployant des stratégies efficaces différentes, mais aussi de montrer que chaque stratégie s’accompagne d’une dynamique neurophysiologique propre en termes de dilatation pupillaire. Enfin, dans une troisième étude expérimentale, nous avons cherché à mieux comprendre sous quel format l’information sensorielle est représentée lors du processus d’inférence. Les théories existantes soutiennent que l’inférence perceptuelle utilise soit le format ‘naturel’ ou sensoriel du stimulus (en représentant l’information d’entrée liée aux caractéristiques pertinentes du stimulus pour la décision), soit le format de ‘sortie’ de la décision (en représentant l’information liée à l’action qui résultera de cette décision). Nous avons pu avancer et mettre en évidence une troisième hypothèse, selon laquelle l’information est accumulée sous un format intermédiaire ‘compressé’, en la réduisant aux dimensions définies par les catégories qui définissent la décision à prendre. En manipulant le format sous lequel l’information sensorielle peut être représentée, nous avons pu établir que les sujets humains préfèrent accumuler l’information sensorielle de façon compressée. Cette stratégie permet de prendre des décisions non seulement plus précises, mais aussi moins biaisées. Grâce à l’analyse multivariée des signaux magnétoencéphalographiques (MEG) enregistrés, nous avons pu corroborer cette hypothèse en décodant une signature neurale de la représentation compressée de l’information sensorielle pour l’inférence. La précision de cette signature neurale s’est révélée prédictive de la qualité des décisions humaines. Pour conclure, cette thèse souligne la flexibilité de la cognition humaine lors de la prise de décision perceptuelle en situation d’incertitude, et ouvre la voie à de nouvelles recherches qui pourront s’appuyer sur nos résultats et les étendre.
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Computational and cerebral characterization of perceptual categorization mechanisms under uncertainty
Caractérisation computationnelle et cérébrale des mécanismes de catégorisation perceptuelle en situation d'incertitude: La prise de décision perceptuelle est rendue difficile par l’incertitude inhérente aux informations sensorielles présentes dans notre environnement. Il est possible de réduire cette incertitude en combinant ces informations imparfaites, comme le formalise de façon optimale l’inférence statistique dite « bayésienne ». Mais ce processus d’inférence demeure sousoptimal et contribue largement à la grande variabilité des décisions humaines. Pourtant, ces erreurs dites ‘inférentielles’ sont le plus souvent sous-estimées par les théories existantes. Au lieu d’ignorer ces limitations profondes et d’approximer la prise de décision avec des modèles optimaux, cette thèse a pour but de mettre en avant les stratégies cognitives humaines déployées pour compenser ces limitations. Dans une première étude expérimentale, nous avons étudié la prise de décision catégorielle dans des environnements changeants. Dans ces conditions, les erreurs inférentielles interfèrent avec ce processus d’inférence et provoquent des changements d’avis inopportuns. En développant puis comparant différents modèles computationnels, nous avons montré que les sujets humains sont capables de contrebalancer la variabilité engendrée par leurs erreurs inférentielles en utilisant une stratégie d’inférence dite ‘conditionnelle’ : au lieu d’accumuler systématiquement l’information bruitée, les croyances ne sont mises à jour que si cette information est jugée suffisamment fiable. Cette stratégie parcimonieuse permet non seulement de réduire les coûts cognitifs engendrés par des changements d’avis inopportuns, mais elle permet également de prendre objectivement de meilleures décisions. Dans une seconde étude expérimentale, nous avons comparé les stratégies cognitives déployées pour compenser les coûts des erreurs inférentielles pour deux types d’incertitude souvent confondus dans la littérature : l’incertitude sensorielle et l’incertitude catégorielle. Cette étude a permis non seulement d’établir que les sujets humains s’adaptent à chaque type d’incertitude en déployant des stratégies efficaces différentes, mais aussi de montrer que chaque stratégie s’accompagne d’une dynamique neurophysiologique propre en termes de dilatation pupillaire. Enfin, dans une troisième étude expérimentale, nous avons cherché à mieux comprendre sous quel format l’information sensorielle est représentée lors du processus d’inférence. Les théories existantes soutiennent que l’inférence perceptuelle utilise soit le format ‘naturel’ ou sensoriel du stimulus (en représentant l’information d’entrée liée aux caractéristiques pertinentes du stimulus pour la décision), soit le format de ‘sortie’ de la décision (en représentant l’information liée à l’action qui résultera de cette décision). Nous avons pu avancer et mettre en évidence une troisième hypothèse, selon laquelle l’information est accumulée sous un format intermédiaire ‘compressé’, en la réduisant aux dimensions définies par les catégories qui définissent la décision à prendre. En manipulant le format sous lequel l’information sensorielle peut être représentée, nous avons pu établir que les sujets humains préfèrent accumuler l’information sensorielle de façon compressée. Cette stratégie permet de prendre des décisions non seulement plus précises, mais aussi moins biaisées. Grâce à l’analyse multivariée des signaux magnétoencéphalographiques (MEG) enregistrés, nous avons pu corroborer cette hypothèse en décodant une signature neurale de la représentation compressée de l’information sensorielle pour l’inférence. La précision de cette signature neurale s’est révélée prédictive de la qualité des décisions humaines. Pour conclure, cette thèse souligne la flexibilité de la cognition humaine lors de la prise de décision perceptuelle en situation d’incertitude, et ouvre la voie à de nouvelles recherches qui pourront s’appuyer sur nos résultats et les étendre.
- 22 September 2022
- Published by Springer Nature in Nature Human Behaviour
- Vol. 6 (12) , 1691-1704
Efficient stabilization of imprecise statistical inference through conditional belief updating
Statistical inference is the optimal process for forming and maintaining accurate beliefs about uncertain environments. However, human inference comes with costs due to its associated biases and limited precision. Indeed, biased or imprecise inference can trigger variable beliefs and unwarranted changes in behaviour. Here, by studying decisions in a sequential categorization task based on noisy visual stimuli, we obtained converging evidence that humans reduce the variability of their beliefs by updating them only when the reliability of incoming sensory information is judged as sufficiently strong. Instead of integrating the evidence provided by all stimuli, participants actively discarded as much as a third of stimuli. This conditional belief updating strategy shows good test–retest reliability, correlates with perceptual confidence and explains human behaviour better than previously described strategies. This seemingly suboptimal strategy not only reduces the costs of imprecise computations but also, counterintuitively, increases the accuracy of resulting decisions.
- 22 September 2022
- Published by Springer Nature in Nature Human Behaviour
- Vol. 6 (12) , 1691-1704
Efficient stabilization of imprecise statistical inference through conditional belief updating
Statistical inference is the optimal process for forming and maintaining accurate beliefs about uncertain environments. However, human inference comes with costs due to its associated biases and limited precision. Indeed, biased or imprecise inference can trigger variable beliefs and unwarranted changes in behaviour. Here, by studying decisions in a sequential categorization task based on noisy visual stimuli, we obtained converging evidence that humans reduce the variability of their beliefs by updating them only when the reliability of incoming sensory information is judged as sufficiently strong. Instead of integrating the evidence provided by all stimuli, participants actively discarded as much as a third of stimuli. This conditional belief updating strategy shows good test–retest reliability, correlates with perceptual confidence and explains human behaviour better than previously described strategies. This seemingly suboptimal strategy not only reduces the costs of imprecise computations but also, counterintuitively, increases the accuracy of resulting decisions.
- Open Access
Efficient stabilization of imprecise statistical inference through conditional belief updating
Statistical inference is the optimal process for forming and maintaining accurate beliefs about uncertain environments. However, human inference comes with costs due to its associated biases and limited precision. Indeed, biased or imprecise inference can trigger variable beliefs and unwarranted changes in behavior. Here, by studying decisions in a sequential categorization task based on noisy visual stimuli, we obtained converging evidence that humans reduce the variability of their beliefs by updating them only when the reliability of incoming sensory information is judged as sufficiently strong. Instead of integrating the evidence provided by all stimuli, participants actively discarded as much as a third of stimuli. This conditional belief updating strategy shows good test-retest reliability, correlates with perceptual confidence, and explains human behavior better than previously described strategies. This seemingly suboptimal strategy not only reduces the costs of imprecise computations, but counter-intuitively increases the accuracy of resulting decisions.
Open AccessEfficient stabilization of imprecise statistical inference through conditional belief updating
Statistical inference is the optimal process for forming and maintaining accurate beliefs about uncertain environments. However, human inference comes with costs due to its associated biases and limited precision. Indeed, biased or imprecise inference can trigger variable beliefs and unwarranted changes in behavior. Here, by studying decisions in a sequential categorization task based on noisy visual stimuli, we obtained converging evidence that humans reduce the variability of their beliefs by updating them only when the reliability of incoming sensory information is judged as sufficiently strong. Instead of integrating the evidence provided by all stimuli, participants actively discarded as much as a third of stimuli. This conditional belief updating strategy shows good test-retest reliability, correlates with perceptual confidence, and explains human behavior better than previously described strategies. This seemingly suboptimal strategy not only reduces the costs of imprecise computations, but counter-intuitively increases the accuracy of resulting decisions.