Introduction
Pourquoi les gens font-ils les choix qu'ils font ? Cette question fondamentale intrigue depuis longtemps les chercheurs en psychologie, économie et neurosciences. Les approches traditionnelles reposent souvent sur l'observation des choix dans des expériences contrôlées et l'inférence des processus décisionnels sous-jacents via des modèles mathématiques. Cependant, ces méthodes ne peuvent capturer que ce que les gens font, pas pourquoi ils le font. Aujourd'hui, une équipe de chercheurs du Center Synergy of Systems (SynoSys) de l'Université technique de Dresde, de l'Institut Max Planck pour le développement humain et de l'Université de Bâle a développé une nouvelle approche qui combine les choix observés avec les propres descriptions des participants de leurs processus décisionnels. En exploitant les grands modèles de langage (LLM), ils peuvent analyser systématiquement les explications en texte libre pour découvrir les raisons derrière les décisions humaines avec un niveau de détail sans précédent. Leurs résultats sont publiés dans les Proceedings of the National Academy of Sciences.
Transformer les explications en données
L'auteur principal, le Dr Kamil Fuławka, chercheur à SynoSys, explique : « Notre compréhension du comportement humain, y compris la prise de décision, peut être approfondie en demandant aux gens d'élaborer sur leurs processus de pensée. Cependant, l'analyse systématique de ces données textuelles libres nécessite des cadres analytiques évolutifs et rigoureux – une entreprise qui peut désormais être soutenue par les LLM. » Dans leur expérience, les participants ont effectué une tâche de jeu et ont été invités à expliquer chaque décision dans leurs propres mots. Pour analyser ces explications, les chercheurs se sont appuyés sur des théories et modèles existants de prise de décision pour développer un large ensemble de raisons possibles de décision, comme se concentrer sur le meilleur résultat possible ou éviter une grosse perte. Les grands modèles de langage ont ensuite identifié lesquelles de ces raisons apparaissaient dans les explications en texte libre des participants, tandis que la modélisation mathématique des choix des participants a fourni une validation.
Comment l'étude a fonctionné
L'étude impliquait une expérience de jeu contrôlée où les participants prenaient une série de décisions entre des options risquées. Après chaque choix, ils tapaient une brève explication de leur raisonnement. Les chercheurs ont compilé une liste complète de raisons potentielles de décision basées sur des théories établies de la prise de décision, notamment :
- Maximiser la valeur attendue
- Minimiser les pertes potentielles
- Rechercher le gain le plus élevé possible
- Éviter le pire résultat
- Suivre une heuristique simple comme « choisir l'option avec la probabilité de gain la plus élevée »
En utilisant un grand modèle de langage, ils ont automatiquement classé chaque réponse en texte libre pour déterminer quelles raisons étaient présentes. Pour garantir la précision, les classifications du LLM ont été croisées avec des évaluateurs humains et comparées à des modèles mathématiques qui prédisaient les choix en fonction des raisons identifiées. Cette approche multi-méthodes a permis à l'équipe à la fois de découvrir les raisons que les gens citent et de vérifier que ces raisons motivent réellement leurs décisions.
Les raisons des décisions changent selon le contexte
La combinaison de rapports verbaux, de LLM et de modélisation mathématique rigoureuse a clairement démontré que les propres idées des gens sont une source de données précieuse. Elle a également montré que les raisons sur lesquelles les gens s'appuient ne sont pas fixes mais changent systématiquement avec la structure du problème de décision. Par exemple, lorsque les pertes potentielles étaient importantes, les participants étaient plus susceptibles de mentionner l'évitement des pertes ; lorsque les gains potentiels étaient élevés, ils se concentraient sur la maximisation des gains. Cette dépendance au contexte remet en question les modèles traditionnels qui supposent des préférences stables ou des stratégies de décision fixes.
« De nombreuses décisions importantes – des investissements financiers aux choix médicaux – impliquent de peser les risques et les avantages », explique le Dr Fuławka. « Notre méthode révèle que les gens adaptent leur raisonnement à la situation spécifique, ce qui a des implications pour prédire le comportement et concevoir des interventions. »
Implications pour la science du comportement
Cette recherche ouvre de nouvelles voies pour étudier le comportement humain. En intégrant les données textuelles libres avec les LLM, les scientifiques peuvent désormais accéder aux informations qualitatives riches que les participants fournissent naturellement, sans les contraintes des questions d'enquête prédéfinies. L'approche est évolutive, permettant d'analyser rapidement et de manière cohérente des milliers de réponses. De plus, elle offre un pont entre les méthodes qualitatives et quantitatives, offrant une image plus complète de la prise de décision.
L'étude met également en évidence le potentiel des LLM en tant qu'outils pour la recherche comportementale. Bien que les LLM soient souvent critiqués pour leur manque de compréhension réelle, ils servent ici de puissants moteurs de correspondance de motifs capables de détecter de manière fiable les raisons de décision dans le texte. Les chercheurs soulignent que les classifications du LLM ont été validées par rapport aux jugements humains et aux modèles mathématiques, garantissant la fiabilité.
Orientations futures
L'équipe prévoit d'appliquer sa méthode à d'autres domaines, tels que le choix du consommateur, la prise de décision politique et le comportement de santé. Ils visent également à affiner l'ensemble des raisons de décision et à explorer comment les différences individuelles (par exemple, l'âge, la capacité cognitive) influencent les raisons que les gens utilisent. En fin de compte, ces travaux pourraient conduire à des modèles plus précis du choix humain qui intègrent à la fois les données comportementales et le raisonnement auto-rapporté.
À mesure que les LLM continuent de s'améliorer, leur capacité à analyser le langage humain complexe ne fera que croître. Cette étude démontre une application pratique qui respecte la richesse de l'introspection humaine tout en maintenant la rigueur scientifique. Les raisons cachées derrière nos choix ne sont peut-être plus si cachées.
Cet article est basé sur un reportage de Phys.org. Lire l'article original.
Originally published on phys.org
