Résumé technique : Prise de décision sous risque combinatoire

Définition du problème

L'article traite d'une lacune dans la recherche sur la prise de décision sous risque, qui se concentre traditionnellement sur les choix de loteries à tirage unique où les distributions de probabilité sont explicitement données. Les auteurs introduisent le risque combinatoire, une classe de problèmes où le risque provient de la combinaison de plusieurs composantes risquées indépendantes, et où la distribution des résultats est induite plutôt que présentée directement.

Les auteurs formalisent cela à l'aide d'une tâche d'allocation d'investissement à deux composantes. Dans ce scénario, un décideur doit allouer un investissement unique et indivisible à l'une des deux composantes de Bernoulli indépendantes (A ou B).

• État initial : Les composantes ont des probabilités de succès initiales $P^{ini}_A$ et $P^{ini}_B$.
• Action : Investir dans une composante augmente sa probabilité de succès par un incrément spécifique ($\Delta P_A$ ou $\Delta P_B$).
• Résultat : Le gain total dépend de la somme des succès ($U = X_A + X_B$), induisant une distribution binomiale sur $\{0, 1, 2\}$.
• Défi : La fonction de masse de probabilité (PMF) induite n'est pas directement observable dans la condition « contrôle » ; les décideurs doivent inférer le profil de risque à partir des caractéristiques des composantes.

L'étude examine si les humains représentent ces problèmes comme des loteries induites explicites ou s'ils s'appuient sur des heuristiques basées sur des caractéristiques combinatoires saillantes. Elle examine en outre comment la fourniture de la PMF induite (la condition « traitement ») modifie les stratégies de décision et si cela conduit à des choix plus avantageux.

Méthodologie

Design expérimental

Les auteurs ont mené une expérience en ligne avec $N=2\,640$ participants en utilisant un cadrage de marketing de vente pour éviter les biais moraux.

• Conditions :
  • Contrôle (C) : Les participants ne voyaient que les caractéristiques des composantes ($P^{ini}$, $\Delta P$).
  • Traitement (T) : Les participants voyaient les caractéristiques des composantes plus les PMF induites pour les succès totaux sous les deux options.
  • Magnitude : Deux magnitudes de gain ($30 et $100) ont été utilisées pour tester la sensibilité à la taille du gain.
• Stimuli : 1 873 problèmes de décision générés à partir d'une grille discrète de probabilités, regroupés par lots.
• Métriques : Les probabilités de choix agrégées (proportion choisissant l'Option B) ont été enregistrées selon les conditions.

Approche de modélisation

Pour expliquer les schémas comportementaux, les auteurs ont employé une stratégie de modélisation à plusieurs étapes :

1. Modèles de référence : Ils ont testé des heuristiques standards (Gain de probabilité, Probabilité après investissement, Modèles de probabilité de queue) et des modèles fondés sur la théorie (Utilité de l'espace d'état, Utilité attendue, Théorie des perspectives, Théorie des perspectives cumulatives) appliqués aux loteries induites.
2. Régression symbolique (SR) : Reconnaissant que les théories conçues manuellement étaient insuffisantes, les auteurs ont développé un cadre de SR hybride guidé par l'ontologie.
   • Architecture : Une recherche évolutive basée sur des îles (NSGA-II) s'exécute en parallèle à travers les conditions.
   • Intégration de l'IA générative (LLM) : Un LLM effectue un raffinement local des candidats Pareto-optimaux et synthétise de nouvelles expressions basées sur une ontologie partagée.
   • Ontologie : Les expressions découvertes sont analysées dans une ontologie partagée pour identifier les formes fonctionnelles et les concepts comportementaux récurrents, guidant ainsi l'exploration des régions sous-exploitées.
   • Structure d'entrée : Contra à la SR standard, les entrées sont typées (Scalaire/Vecteur) pour préserver la structure des probabilités et des résultats.
3. Analyse des résidus : Pour isoler l'effet de l'affichage de la PMF, les auteurs ont ajusté un modèle de résidus aux données de traitement en utilisant les prédictions du meilleur modèle de Contrôle comme base de référence, en ajoutant une composante de la Théorie des perspectives (PT) pour expliquer la variance.

Résultats clés

Résultats comportementaux

• Dominance des caractéristiques combinatoires : En l'absence de PMF (Contrôle), les participants favorisaient systématiquement les options avec des incréments de probabilité plus élevés. Lorsque les incréments étaient égaux, ils préféraient l'option ayant la probabilité de succès initiale (et donc après investissement) la plus élevée, ce qui est cohérent avec une préférence pour une variance plus faible.
• Impact de l'affichage de la PMF : Révéler la PMF induite (Traitement) a significativement modifié les schémas de choix :
  • Les participants sont devenus moins sensibles aux caractéristiques centrales du risque combinatoire (incréments et probabilités initiales).
  • La variance des choix à travers les problèmes a diminué.
  • Crucialement, fournir la PMF n'a pas amélioré la qualité de la décision ; le groupe Traitement n'a pas obtenu de gains attendus significativement plus élevés que le groupe Contrôle.
• Sensibilité à la magnitude : Dans la condition Contrôle, des magnitudes de gain plus élevées augmentaient la sensibilité aux différences de variance. Dans la condition Traitement, cette dépendance a disparu, suggérant un changement de stratégie de décision.

Découvertes de modélisation

• Condition de Contrôle : Les meilleurs modèles découverts via la SR reposaient principalement sur les probabilités de succès après investissement ($P^{aft}_A - P^{aft}_B$) et les incréments de probabilité ($\Delta P_A - \Delta P_B$).
  • Ces modèles ne nécessitaient pas l'évaluation exacte de la PMF induite complète.
  • Ils ont surpassé les références standards d'heuristiques et d'utilité d'espace d'état.
  • Le gain attendu exact n'apparaissait que dans les modèles les plus complexes et avait une influence faible, suggérant que les humains ne calculent pas explicitement l'espérance mathématique dans ce contexte.
• Condition de Traitement : Les meilleurs modèles combinaient les caractéristiques combinatoires avec des transformations non linéaires du gain attendu dérivé de la loterie induite (par exemple, des transformations logarithmiques ou de puissance de la différence de gain attendu).
• Analyse des résidus : Le passage du comportement de Contrôle à celui de Traitement a été capturé efficacement en superposant une évaluation de la Théorie des perspectives de la PMF affichée sur les prédictions du modèle de Contrôle. Cela confirme que la PMF agit comme une couche de valorisation supplémentaire plutôt que de remplacer l'heuristique sous-jacente.

Contributions et importance

Contributions scientifiques

1. Définition du risque combinatoire : L'article formalise une classe distincte de problèmes de décision où le risque est induit par des combinaisons de composantes, se distinguant du choix de loterie standard.
2. Aperçu comportemental : Il démontre que les humains naviguent dans le risque combinatoire en raisonnant sur des caractéristiques probabilistes saillantes (incréments, probabilités de succès) plutôt qu'en construisant explicitement des loteries induites.
3. Cadre méthodologique : Les auteurs présentent un cadre de régression symbolique hybride guidée par l'ontologie qui combine la recherche évolutive avec la génération par LLM et l'organisation sémantique. Cette approche a réussi à découvrir des modèles compacts et interprétables qui surpassent les théories conçues manuellement et les références standards.
4. Valeur de l'information : L'étude fournit la preuve que la fourniture d'une information distributionnelle complète (PMF) modifie les heuristiques de décision mais ne conduit pas nécessairement à des résultats plus optimaux, soulignant un coût cognitif potentiel ou un déplacement d'attention qui ne se traduit pas par une meilleure performance.

Affirmations sur l'importance

L'article affirme que ses conclusions remettent en question l'hypothèse selon laquelle les décideurs représentent les risques complexes comme des loteries explicites. Au lieu de cela, il suggère un processus cognitif à deux couches :

• Couche primaire : Raisonnement sur les caractéristiques combinatoires centrales (incréments et probabilités de succès).
• Couche secondaire : Utilisation des informations distributionnelles (PMF) comme une couche de valorisation supplémentaire uniquement lorsqu'elles sont explicitement disponibles, ce qui déplace l'attention loin des caractéristiques centrales mais n'améliore pas la qualité de la décision.

Les auteurs positionnent ce travail comme un domaine productif à l'intersection de la théorie comportementale et de l'apprentissage automatique interprétable, démontrant que la régression symbolique peut récupérer des régularités psychologiquement significatives que les théories standards manquent, particulièrement dans des contextes où la complexité computationnelle empêche une évaluation exacte.