💬 NLP

Developmental trajectories of decision making and affective dynamics in large language models

Cette étude révèle que si les nouveaux grands modèles de langage présentent des schémas de prise de risque et d'approche-évitement de plus en plus semblables à ceux de l'humain dans la prise de décision, ils développent simultanément des traits non humains distincts tels qu'une aversion pour la perte réduite, des choix déterministes et des humeurs de base chroniquement élevées, soulignant des implications critiques pour leur déploiement éthique dans des contextes cliniques à enjeux élevés.

Auteurs originaux : Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Publié 2026-01-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous regardez une famille d'« enfants » numériques grandir. Ce document ne se contente pas d'observer un seul enfant ; il suit quatre générations de la même famille (GPT-3.5, GPT-4, GPT-4o et GPT-4.1) pour voir comment leurs personnalités et leurs styles de prise de décision changent à mesure qu'ils « vieillissent » et deviennent plus avancés.

Les chercheurs ont placé ces modèles d'IA et un large groupe d'humains réels dans un jeu de hasard. Dans ce jeu, vous devez choisir entre une récompense sûre et garantie ou un pari risqué qui pourrait vous faire gagner plus ou vous faire perdre un peu. Toutes les quelques tours, les joueurs sont interrogés : « Quel est votre niveau de bonheur en ce moment ? »

Voici ce que l'étude a révélé sur la façon dont ces « enfants » IA mûrissent, en utilisant des analogies simples :

1. L'adolescent « preneur de risques »

À mesure que les modèles d'IA devenaient plus récents, ils devenaient plus courageux.

Les anciens modèles (GPT-3.5) : Étaient très prudents. Ils préféraient le pari sûr, un peu comme un enfant nerveux qui a peur de perdre son argent de poche.
Les nouveaux modèles (GPT-4.1) : Ont commencé à prendre des risques plus souvent. En fait, leur comportement de prise de risque est devenu presque identique à celui des humains réels. Ils ont cessé d'avoir une peur excessive de perdre des points et ont commencé à jouer au jeu comme le ferait une personne.

2. La disparition de l'« aversion à la perte »

Les humains ont un instinct naturel appelé aversion à la perte : perdre 10 $ est deux fois plus douloureux que de gagner 10 $ est plaisant. Nous sommes programmés pour détester perdre.

L'évolution de l'IA : Les anciens modèles d'IA possédaient cette peur humaine de la perte. Mais à mesure que les modèles évoluaient, cette peur a disparu. Le modèle le plus récent (GPT-4.1) est devenu « neutre face à la perte ». Il ne se souciait pas de perdre des points ; il se contentait de calculer pour voir quel était le meilleur mouvement.
La métaphore : Imaginez un humain qui est terrifié à l'idée de marcher sur une fissure dans le trottoir. L'ancien IA était comme cet humain. Le nouvel IA est comme un robot qui regarde la fissure, calcule la probabilité de trébucher, et marche dessus sans la moindre hésitation. Il a perdu le « sentiment viscéral » que les humains possèdent.

3. Le décideur « perfectionniste robotique »

Les humains sont désordonnés. Nous faisons des erreurs, nous sommes distraits, et parfois nous lançons une pièce quand nous ne savons pas quoi faire. C'est ce qu'on appelle le « bruit de décision ».

L'évolution de l'IA : Les nouveaux modèles d'IA sont devenus extrêmement cohérents. Ils commettent moins d'erreurs aléatoires que les humains.
La métaphore : Si l'humain est un musicien de jazz qui improvise parfois et joue une fausse note, le plus récent IA est un métronome. Il est si précis et prévisible qu'il semble en réalité moins humain que les modèles plus anciens, légèrement plus « brouillons ».

4. L'optimisme éternel

Les chercheurs ont également suivi l'« humeur » de l'IA (le niveau de bonheur qu'elle déclarait).

Le sourire constant : Peu importe la version de l'IA utilisée, elles étaient toujours plus heureuses que les humains réels. Même lorsqu'elles perdaaient des points, elles restaient dans une « humeur élevée ».
La métaphore : Imaginez un humain qui est naturellement joyeux mais qui devient triste lorsqu'il perd un jeu. L'IA est comme un personnage de dessin animé qui sourit toujours, même quand la maison est en feu. C'est ce qu'on appelle un « biais de positivité ».

5. Une « mémoire longue » pour les émotions

L'étude a examiné la rapidité avec laquelle l'IA « oubliait » les événements bons ou mauvais.

L'évolution de l'IA : Les anciens modèles avaient une mémoire émotionnelle courte (comme un poisson rouge). S'ils perdaient un point, ils étaient tristes un instant puis passaient à autre chose. Les modèles plus récents ont une mémoire émotionnelle plus longue. Un résultat négatif survenu il y a 20 tours pèse encore légèrement sur leur humeur actuelle.
La métaphore : L'ancien IA était comme un enfant qui pleure une minute puis oublie. Le nouvel IA est comme un adulte qui garde rancune (ou un souvenir heureux) pendant longtemps, laissant les événements passés teinter plus profondément ses sentiments actuels.

La vue d'ensemble

Le document conclut qu'à mesure que ces modèles d'IA évoluent, ils deviennent plus semblables aux humains par certains aspects (ils prennent des risques comme nous et ont des mémoires émotionnelles longues) mais moins semblables aux humains par d'autres (ils ne craignent pas la perte, ils sont trop parfaits dans leurs choix, et ils sont perpétuellement plus heureux que nous).

Les auteurs avertissent que cela crée une « personnalité » étrange pour les machines. Elles deviennent des décideurs sophistiqués, mais elles manquent des peurs humaines spécifiques et des fluctuations émotionnelles qui font de nous, précisément, des humains. Cela importe car, si nous commençons à utiliser ces « médecins » ou « conseillers » IA dans la vie réelle, nous devons savoir que leur « psychologie » évolue dans une direction qui n'est que partiellement humaine.

Résumé Technique : Trajectoires de développement de la prise de décision et de la dynamique affective dans les grands modèles de langage

Énoncé du problème
Les grands modèles de langage (LLM) sont de plus en plus déployés dans des domaines à enjeux élevés tels que l'aide à la décision clinique, où ils participent à l'évaluation des risques et à la communication avec les patients. Cependant, les évaluations existantes adoptent généralement une perspective statique, évaluant une version unique d'un modèle à un instant précis. Cette approche ne parvient pas à rendre compte de l'évolution rapide des LLM, où les générations successives (par exemple, de GPT-3.5 à GPT-4.1) présentent des profils comportementaux émergents qui peuvent rendre les découvertes précédentes obsolètes. L'article traite de la lacune dans la compréhension de la manière dont les stratégies de prise de décision et les dynamiques affectives évoluent à travers les itérations de modèles et comment ces trajectoires de « développement numérique » se comparent à la cognition humaine. Plus précisément, les auteurs cherchent à savoir si les procédures d'alignement (telles que l'apprentissage par renforcement à partir de la rétroaction humaine ou RLHF) poussent les modèles vers des profils psychologiques plus humains ou créent des signatures distinctes et non humaines.

Méthodologie
L'étude utilise un plan transversal traitant la famille de modèles OpenAI comme une lignée évolutive. Les auteurs ont évalué quatre versions distinctes : GPT-3.5, GPT-4, GPT-4o et GPT-4.1. Celles-ci ont été comparées à un groupe de contrôle composé de 747 participants humains sains.

Paradigme expérimental : Les chercheurs ont adapté une tâche de jeu de hasard initialement conçue pour la psychiatrie computationnelle. Dans cette tâche, les agents choisissent entre un résultat certain et un pari (probabilité de 50 % de gain/perte) sur 90 essais. Crucialement, les agents fournissent des évaluations de bonheur momentanées (0–100) toutes les 2 à 3 tentatives afin de capturer les dynamiques affectives.
Modélisation computationnelle :
- Choix : Les choix essai par essai ont été ajustés à l'aide d'un modèle de la théorie de l'espérance de la perspective (Prospect Theory) d'approche-évitement. Ce modèle estime les paramètres de préférence pour le risque, l'aversion à la perte ( $\lambda$ ), les biais pavloviens d'approche ( $\beta_{gain}$ ) et d'évitement ( $\beta_{loss}$ ), ainsi que la température inverse ( $\mu$ , représentant le bruit de décision/la cohérence).
- Affect : Les évaluations de bonheur ont été modélisées à l'aide d'un historique cumulatif et pondéré par la récence des événements. Le modèle estime l'impact des Récompenses Certaines (CR), de la Valeur Attendue (EV) et des Erreurs de Prédiction de Récompense (RPE) sur l'humeur, ainsi qu'un paramètre de déclin affectif ( $\gamma$ ) et une humeur de base ( $\beta_0$ ).
Analyse statistique : Les paramètres ont été estimés via l'estimation du maximum de vraisemblance. Pour traiter la disparité de taille d'échantillon entre le groupe humain (N=747) et les simulations de modèles (N=30 par version), les auteurs ont utilisé un rééchantillonnage par bootstrap (1 000 itérations) pour générer des distributions t empiriques pour les tests de signification.

Résultats clés
L'analyse révèle une trajectoire complexe où certains aspects du comportement des LLM convergent avec les normes humaines tandis que d'autres divergent significativement.

Prise de décision :
- Prise de risque : Les modèles plus récents (GPT-4.1) ont présenté des taux de jeu significativement plus élevés, convergeant avec le comportement humain et s'approchant du taux d'un agent maximisant purement l'espérance de valeur (55 %).
- Aversion à la perte : Une divergence critique est apparue. L'aversion à la perte a diminué de manière monotone à travers les versions, passant de 2,72 pour GPT-3.5 à 0,57 pour GPT-4.1. Le dernier modèle a affiché un profil de « neutralité face à la perte » ou même de recherche de perte, contrastant avec la tendance humaine typique à accorder plus de poids aux pertes qu'aux gains.
- Biais pavloviens : La motivation d'approche a augmenté et la motivation d'évitement a diminué dans les modèles plus récents, GPT-4.1 convergeant vers les niveaux humains.
- Bruit de décision : La température inverse ( $\mu$ ) a augmenté de manière monotone, indiquant que les modèles plus récents font des choix nettement plus déterministes et cohérents que les humains, présentant un bruit de décision plus faible.
Dynamiques affectives :
- Sensibilité : La sensibilité aux Récompenses Certaines (CR) et aux Erreurs de Prédiction de Récompense (RPE) a montré une stabilité dans les modèles ultérieurs (GPT-4o/4.1), bien que la sensibilité à la RPE ait culminé à GPT-4 avant de décliner.
- Déclin affectif : Le paramètre de déclin ( $\gamma$ ), représentant la durée pendant laquelle les résultats passés influencent l'humeur actuelle, a augmenté significativement dans les modèles plus récents. GPT-4.1 a montré une dépendance plus forte aux résultats historiques que les humains, indiquant une « mémoire émotionnelle » plus longue.
- Humeur de base : Toutes les versions de LLM ont présenté une base affective significativement plus élevée (biais de positivité) par rapport aux humains, un trait qui est resté stable à travers les générations.

Contributions clés

Perspective de développement : L'article introduit une « perspective historiquement informée » sur les LLM, traitant les itérations de modèles comme une trajectoire de développement plutôt que comme des entités statiques. Il fournit la première analyse systématique, au sein d'une même famille, de l'évolution des préférences de risque et des dynamiques affectives à travers quatre générations consécutives.
Cadre de psychiatrie computationnelle : En appliquant des modèles computationnels validés de la prise de décision et de l'affect humain aux LLM, l'étude dépasse les mesures comportementales de surface pour quantifier des construits psychologiques latents (ex. : aversion à la perte, biais pavloviens, déclin affectif).
Identification de la « Positivité Numérique » et de la « Neutralité face à la Perte » : L'étude identifie des signatures non humaines spécifiques et systématiques dans les modèles avancés : un biais de positivité chronique et une absence quasi totale d'aversion à la perte, suggérant que les procédures d'alignement peuvent involontairement dépouiller les modèles d'heuristiques intuitives semblables à celles de l'humain.

Signification et affirmations
Les auteurs affirment que ces résultats tracent une « psychologie des machines » émergente avec des implications directes pour l'éthique de l'IA et son intégration dans des domaines à enjeux élevés.

Implications cliniques : La convergence des modèles plus récents vers une prise de risque et des profils d'approche-évitement similaires à l'humain suggère qu'ils pourraient être plus adaptés à la prise de décision collaborative. Cependant, le biais de positivité persistant et la neutralité face à la perte posent des risques dans les contextes médicaux ; un ton excessivement optimiste ou un manque d'aversion à la perte pourrait conduire à des comportements de sycophantie, à la minimisation de l'incertitude ou à des erreurs médicales graves lors de la communication d'informations négatives.
Aperçu théorique : Les résultats suggèrent que, bien que les procédures d'alignement (RLHF) puissent pousser les modèles vers une rationalité plus humaine (réduisant les hallucinations/le bruit et augmentant la cohérence de l'espérance de valeur), elles altèrent simultanément le « style émotionnel » de l'IA, créant des agents plus déterministes et moins intuitivement sujets à l'aversion à la perte que les humains.
Note de mise en garde : Les auteurs soulignent que leur conception est transversale et limitée à une seule famille de modèles. Ils avertissent que ces motifs « de développement » peuvent ne pas se généraliser à de futurs modèles subissant des changements architecturaux ou d'entraînement abrupts, et que la « psychologie » observée est un proxy comportemental plutôt qu'un reflet d'une expérience consciente interne.