Prédire le comportement humain lors d'interactions de groupe

Publié par Adrien le 13/12/2019 à 14:00
Source: CNRS INSB
Bien que la prise de décision dans un contexte social soit omniprésente et centrale dans nos sociétés, les algorithmes développés par le cerveau pour régir nos interactions sociales restent mal compris. En particulier, le fait que nos décisions sociales reposent sur l'attribution d'intentions à autrui a été jusqu'à présent sous-estimé. Des chercheurs, en collaboration avec une équipe américaine de l'Université (Une université est un établissement d'enseignement supérieur dont l'objectif est la production du savoir (recherche), sa conservation et sa transmission (études...) de Washington (Seattle), montrent qu'un modèle probabiliste dépasse les modèles existants pour prédire quantitativement le comportement humain lors d'interactions de groupe. Ces résultats suggèrent que dans une tâche de prise de décision impliquant des membres anonymes, notre cerveau (Le cerveau est le principal organe du système nerveux central des animaux. Le cerveau traite les informations en provenance des sens, contrôle de nombreuses...) utilise des inférences bayésiennes pour modéliser l'esprit coopératif du groupe, en faisant des prédictions sur les décisions des autres simulant également les effets de leurs propres actions sur la dynamique (Le mot dynamique est souvent employé désigner ou qualifier ce qui est relatif au mouvement. Il peut être employé comme :) du groupe. Ce travail est publié dans la revue Science Advances.

Pour prendre des décisions dans un contexte (Le contexte d'un évènement inclut les circonstances et conditions qui l'entourent; le contexte d'un mot, d'une phrase ou d'un texte inclut les mots qui...) social, les hommes doivent prédire le comportement des autres et se représenter leurs intentions, une capacité connue sous le nom de "théorie (Le mot théorie vient du mot grec theorein, qui signifie « contempler, observer, examiner ». Dans le langage courant, une théorie est une idée...) de l'esprit". Un tel modèle des intentions des autres devient particulièrement complexe lorsque le nombre (La notion de nombre en linguistique est traitée à l’article « Nombre grammatical ».) de personnes avec lesquelles on interagit simultanément est grand et que les actions sont anonymes. Ainsi, lorsque nos décisions sont réalisées dans un contexte social, le degré (Le mot degré a plusieurs significations, il est notamment employé dans les domaines suivants :) d'incertitude sur les résultats possibles augmente drastiquement. En effet, les comportements des autres individus sont bien plus difficiles à prédire que les changements physiques de notre environnement (L'environnement est tout ce qui nous entoure. C'est l'ensemble des éléments naturels et artificiels au sein duquel se déroule la vie humaine. Avec les enjeux écologiques...). Comparés aux objets inanimés, les comportements observables des autres ne fournissent que des informations partielles sur leur comportement futur. Ceci rend extrêmement difficile d'étudier la nature des algorithmes qui peuvent rendre compte de la prise de décision sociale.


Le jeu de bien public (à gauche) et le modèle POMDP (à droite). Modèle POMDP du jeu de bien public. Modèle: Le participant infère la probabilité moyenne (La moyenne est une mesure statistique caractérisant les éléments d'un ensemble de quantités : elle exprime la grandeur qu'auraient chacun des membres de l'ensemble s'ils étaient tous...) de la contribution du groupe mais ne la connaît pas explicitement. Le modèle suppose que le sujet maintient une croyance (notée bt) sur cette probabilité et la met à jour (Le jour ou la journée est l'intervalle qui sépare le lever du coucher du Soleil ; c'est la période entre deux nuits, pendant laquelle les rayons...) après avoir observé le résultat des contributions (ct) des autres à chaque tour. Sélection des actions: le modèle POMDP choisit une action (at) qui maximise la récompense totale attendue sur l'ensemble (En théorie des ensembles, un ensemble désigne intuitivement une collection d’objets (les éléments de l'ensemble), « une multitude qui peut...) des prochains tours. Cette attente est basée sur sa croyance en cours et les conséquences de son action (contribution ”c” ou non contribution) sur le comportement du groupe dans les tours à venir.
© Jean-Claude Dreher

Comment alors caractériser les principes computationnels sous-jacents à la prise de décision sociale ? L'hypothèse principale de ce travail est que lorsque nous sommes dans un contexte social interactif, notre cerveau effectue des inférences bayésiennes par lesquelles il calcule les probabilités que l'autre possède telle ou telle intention à partir d'observations (L’observation est l’action de suivi attentif des phénomènes, sans volonté de les modifier, à l’aide de moyens d’enquête et d’étude appropriés. Le...). Ici les participants réalisaient une expérience comportementale connue sous le nom du dilemme du volontaire. Celui-ci illustre une situation (En géographie, la situation est un concept spatial permettant la localisation relative d'un espace par rapport à son environnement proche ou...) où chacun de N joueurs a le choix de faire ou non un petit sacrifice pour le bien commun, dont tous bénéficieront, ou alors de ne pas participer à ce bien commun ('Free Rider'). Dans une telle situation, les individus préfèrent que quelqu'un d'autre qu'eux-mêmes soit volontaire pour faire quelque chose, mais préfèrent quand même être volontaire dans le cas où ils sont sûrs qu'un nombre insuffisant de personne ne le soit pour générer le bien public.

29 participants ont réalisé 14 sessions contenant chacune 15 tours avec un même groupe de 4 autres joueurs (N=5). A chaque nouvelle session, les participants jouaient avec un autre groupe de joueurs. Au début de chaque tour, chaque joueur recevait E=1 unité monétaire (UM), et devait choisir entre 2 options: contribuer au bien public ou garder l'unité monétaire pour lui-même. La contribution avait un coût C de 1 UM. Le bien commun était produit comme une récompense pour l'ensemble du groupe (Gain=G= 2 UM pour chaque joueur) si et seulement si au moins k joueurs contribuaient chacun 1 UM. k valait 2 ou 4 selon la session. Après chaque tours le nombre de contribution, d'absence de contribution et le résultat global était révélé (succès ou échec à sécuriser les 2 ou 4 UM pour la récompense de groupe). Cependant, les joueurs étant anonymes, chaque action individuelle restait inconnue des autres joueurs. Les participants croyaient réellement interagir avec d'autres personnes mais ils jouaient en réalité avec un ordinateur (Un ordinateur est une machine dotée d'une unité de traitement lui permettant d'exécuter des programmes enregistrés. C'est un ensemble de circuits...) qui générait les actions des 4 autres personnes. Personne n'était informé de l'identité des autres personnes avec lesquelles il interagissait. Le montant résultant après un tour était calculé comme ceci: E - C + G = 2 UM pour un participant ayant contribué et E+ G = 3 UM pour un participant n'ayant pas contribué au bien public ('free-rider') lorsque ce bien public était produit (le round était un succès). Si aucun bien commun n'était produit (le tour était un échec), le contributeur recevait E - C = 0 UM et celui n'ayant pas contribué recevait E = 1 UM.

Pour modéliser la façon dont nous prédisons les intentions d'autrui, les chercheurs ont utilisé des approches mathématiques (Les mathématiques constituent un domaine de connaissances abstraites construites à l'aide de raisonnements logiques sur des concepts tels que...) dans lesquelles l'effet des actions d'un agent est incertain et dans lesquelles l'agent n'a qu'une information partielle de l'état courant. La nature novatrice de cette étude est d'établir une base théorique permettant de décrire les mécanismes neuro-computationnels sous-jacents aux décisions sociales (i.e. des algorithmes de calcul potentiellement adoptés par le cerveau pour inférer les intentions d'autrui).

Pour en savoir plus:
Modeling other minds: Bayesian inference explains human choices in group decision-making
Khalvati K, Park SA, Mirbagheri S, Philippe R, Sestito M, Dreher JC, and Rao RPN.
Science Advances, 27 November 2019. doi: 10.1126/sciadv.aax8783
Cet article vous a plus ? Vous souhaitez nous soutenir ? Partagez-le sur les réseaux sociaux avec vos amis et/ou commentez-le, ceci nous encouragera à publier davantage de sujets similaires !
Page générée en 0.775 seconde(s) - site hébergé chez Amen
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
Ce site est édité par Techno-Science.net - A propos - Informations légales
Partenaire: HD-Numérique