💬 NLP

Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling

Cet article démontre que les grands modèles de langage peuvent reproduire efficacement les biais de choix d'itinéraire et les comportements de décision fondés sur la théorie des perspectives de l'humain sans spécification explicite de paramètres, offrant ainsi une alternative évolutive aux méthodes traditionnelles pour la modélisation comportementale à grande échelle.

Auteurs originaux : Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia, Zhengbing He

Publié 2026-07-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiangtao Han, Shoufeng Ma, Shuxian Xu, Geng Li, Shuai Ling, Ning Jia, Zhengbing He

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 essayez de comprendre pourquoi les gens font des choix bizarres lorsqu'ils sont pressés. Parfois, un conducteur choisira un itinéraire qui est habituellement plus rapide mais qui présente une infime chance d'embouteillage massif, simplement parce qu'il est pressé. D'autres fois, il choisira un itinéraire ennuyeux et lent, juste pour être prudent. Les scientifiques appellent cela le « biais humain », et pendant longtemps, ils ont utilisé une recette mathématique complexe appelée Théorie de l'Espérance Cumulative (CPT) pour le décrire. Cette recette possède des ingrédients spéciaux (des nombres) qui nous indiquent à quel point les gens craignent de perdre du temps par rapport à la mesure dont ils aiment gagner du temps.

Mais voici le problème : obtenir ces nombres spéciaux nécessite généralement de demander à des milliers de vrais humains de remplir des sondages ennuyeux ou de jouer à des jeux fictifs en laboratoire. C'est lent, coûteux et difficile d'obtenir une foule véritablement diversifiée.

Entrez en scène le Modèle de Langage Étendu (LLM). Pensez au LLM non pas comme à une calculatrice, mais comme à un acteur super intelligent et super créatif qui a lu tous les livres, toutes les histoires et tous les messages de forums jamais écrits. Les chercheurs de cet article ont posé une grande question : Pouvons-nous simplement demander à cet acteur numérique de « prétendre » être un voyageur humain, et va-t-il naturellement faire les mêmes choix bizarres et biaisés que les vrais humains ?

La Grande Expérience : Un Embouteillage Virtuel

Pour le découvrir, les chercheurs ont construit un monde virtuel géant. Ils n'ont pas seulement utilisé une IA, ils ont créé 3 000 voyageurs numériques uniques. Chacun avait une « carte de personnalité » spécifique (comme un profil). Il y avait des retraités prudents, des parents stressés, des étudiants spontanés et des coursiers pressés.

Ils ont ensuite plongé ces 3 000 agents dans un réseau routier simulé avec deux choix :

Itinéraire A : Un chemin régulier et fiable.
Itinéraire B : Un chemin qui pourrait être super rapide, mais qui présente aussi une chance de retard important (comme un accident de la route ou une fermeture de route).

Les chercheurs ont mis en place deux « humeurs » différentes pour l'expérience :

L'humeur du « Gain » : Tout le monde essaie d'arriver en avance. Si on arrive en avance, on obtient une « récompense ».
L'humeur de la « Perte » : Tout le monde essaie d'éviter d'être en retard. Si on est en retard, on subit une « perte ».

Que s'est-il passé ? (La Magie et les Mathématiques)

Les résultats étaient étonnamment humains. Les acteurs numériques n'ont pas simplement choisi l'itinéraire mathématiquement « parfait ». Au contraire, ils ont montré exactement les mêmes biais que les humains réels :

Quand les choses allaient bien (Gains) : Les agents prudents (comme les retraités) restaient sur l'itinéraire sûr. Ils ne voulaient pas risquer un retard.
Quand les choses allaient mal (Pertes) : Ces mêmes agents prudents commençaient à prendre des risques ! Lorsqu'ils savaient qu'ils allaient être en retard de toute façon, ils changeaient pour l'itinéraire risqué et rapide, espérant arracher quelques minutes pour sauver la face.

C'est exactement ce que prédit la mathématique de la CPT : Nous détestons perdre plus que nous aimons gagner, et quand nous sommes déjà en train de perdre, nous devenons des joueurs.

Les chercheurs ont ensuite pris les choix faits par ces 3 000 agents numériques et les ont passés à travers la recette mathématique de la CPT. Ils ont calculé les « nombres spéciaux » (paramètres) qui correspondent le mieux au comportement de l'IA.

Ils ont trouvé un nombre d'aversion à la perte de 1,43. Cela signifie que dans ces simulations, les agents ressentaient la douleur d'être en retard 1,43 fois plus intensément que la joie d'arriver en avance.
Ils ont trouvé que les agents étaient moins sensibles aux petits changements de temps (une propriété appelée sensibilité décroissante), tout comme les vraies personnes.

L'IA a-t-elle réussi ?

Pour vérifier si leur nouvelle « méthode par l'IA » était efficace, ils ont comparé les nombres générés par l'IA avec les nombres trouvés dans des études réelles impliquant de vrais humains.

Les nombres de l'IA prédisaient les choix humains avec un taux d'erreur de seulement 0,0036 dans un test complexe à trois itinéraires.
C'était en fait meilleur (erreur plus faible) que certains des nombres classiques utilisés par les scientifiques pendant des années, et bien meilleur que l'utilisation de nombres provenant de domaines totalement différents (comme les jeux de hasard).

Ce que cela signifie (et ce que cela ne signifie pas)

L'article suggère que nous n'aurons peut-être plus besoin d'interviewer des milliers de navetteurs fatigués. À la place, nous pouvons utiliser ces acteurs numériques pour générer des quantités massives de données comportementales rapidement et à moindre coût. Cela suggère que l'IA peut « apprendre » l'irrationalité humaine simplement en lisant des textes à ce sujet et en jouant des rôles.

Cependant, les auteurs sont prudents. Ils n'ont pas prouvé que l'IA est humaine. Ils ont montré que, dans ces simulations, l'IA se comporte d'une manière qui correspond aux schémas humains. Ils ont également noté que leurs agents numériques sont actuellement des « penseurs indépendants » qui ne communiquent pas entre eux et n'apprennent pas des embouteillages en temps réel.

Ainsi, bien que nous n'ayons pas résolu le mystère de l'esprit humain, cette étude suggère que si vous voulez modéliser la façon dont une foule pourrait agir dans un embouteillage, vous pourriez simplement avoir besoin de demander à un robot très cultivé et très créatif de prétendre être eux. Et, étonnamment, le robot pourrait bien faire un meilleur travail qu'un tableur ne le ferait jamais.

Résumé technique : Reproduire les biais humains dans le choix d'itinéraires à l'aide de modèles de langage de grande taille (LLM)

Énoncé du problème

La prise de décision humaine, particulièrement dans le choix d'itinéraires, s'écarte fréquemment de l'hypothèse d'une rationalité complète, présentant des biais comportementaux systématiques. La Théorie des Perspectives Cumulatives (CPT) est le cadre dominant pour modéliser ces biais, capturant des mécanismes tels que la dépendance à la référence, l'aversion à la perte et la pondération non linéaire des probabilités. Cependant, l'application à grande échelle de la CPT dans la simulation et la modélisation multi-agents est entravée par un goulot d'étranglement critique : l'estimation précise des paramètres de la CPT.

Les méthodes traditionnelles reposent sur des enquêtes et des expériences contrôlées pour calibrer ces paramètres. Bien qu'efficaces pour des groupes spécifiques, ces approches sont difficiles à généraliser, échouent souvent à capturer toute la diversité de la prise de décision humaine à travers différentes professions et types de personnalité, et sont contraintes par des tailles d'échantillons limitées et des coûts de collecte de données élevés. Par conséquent, il existe un besoin pour une méthode évolutive afin de générer des données comportementales diverses et d'estimer les paramètres de la théorie des perspectives sans dépendre uniquement de la collecte de données réelles coûteuses.

Méthodologie

Cet article propose un cadre pour mener des expériences comportementales virtuelles à grande échelle en utilisant des modèles de langage de grande taille (LLM) pour simuler le comportement humain de choix d'itinéraire sous incertitude. La méthodologie se compose de quatre composantes fondamentales :

1. Construction d'agents humains basés sur les LLM

L'étude emploie une méthode de prompting non paramétrique pour construire des agents humains hétérogènes. Chaque agent est défini par une architecture de prompting standardisée comprenant trois modules :

Profil : Définit les attributs individuels (profession, personnalité, préférence face au risque, objectif de voyage, pression temporelle), les caractéristiques de comportement (sensibilité à la variabilité du temps de trajet, tolérance au risque) et les conditions de contrainte. L'étude définit 10 profils d'agents distincts (ex. : retraités, fonctionnaires, coursiers, étudiants) pour capturer l'hétérogénéité démographique et comportementale.
Planification : Guide l'agent pour décomposer des tâches complexes, évaluer les itinéraires en fonction du temps attendu et de la variabilité, et prioriser les options cohérentes avec son identité assignée et ses préférences psychologiques.
Action : Applique des règles de décision où les agents de type averse au risque privilégient la stabilité et les agents de type recherche de risque privilégient le gain de temps. Les sorties sont strictement structurées en format JSON pour garantir la compatibilité avec l'analyse statistique.

2. Construction de l'environnement de voyage

L'environnement est défini par la Configuration (objectifs de tâche statiques, options d'itinéraires et types de risques) et l'État (probabilités dynamiques de perturbations comme les accidents ou la congestion et leur impact sur le temps de trajet). L'étude conçoit des scénarios impliquant à la fois des domaines de Gain (arriver plus tôt qu'un temps de référence) et de Perte (arriver plus tard qu'un temps de référence), avec des itinéraires offrant des temps de trajet moyens identiques mais des distributions de risques différentes.

3. Simulation expérimentale

En utilisant GPT-5 d'OpenAI, l'étude simule 3 000 agents à travers 11 cas distincts impliquant des scénarios de choix entre deux et trois itinéraires. Le paramètre de température est fixé à 1 pour équilibrer la diversité comportementale et la reproductibilité. Chaque scénario est exécuté trois fois pour assurer la robustesse.

4. Estimation et évaluation des paramètres

Estimation des paramètres CPT : L'étude ajuste les données de choix générées par les LLM aux formulations de la CPT pour estimer les paramètres de sensibilité ( $\alpha$ pour les gains, $\beta$ pour les pertes) et le coefficient d'aversion à la perte ( $\lambda$ ). Le point de référence ( $x_0$ ) est inféré dynamiquement à partir de la distribution des temps de trajet attendus générés par les agents.
Validation : Les paramètres estimés sont utilisés pour prédire les choix d'itinéraires dans de nouveaux scénarios. Les résultats sont comparés à :
1. Les choix simulés par LLM.
2. Les paramètres estimés à partir d'expériences comportementales réelles (ex. : Xu et al., 2011 ; Zhang et al., 2018).
3. Les paramètres classiques issus de domaines non liés au transport.
Métriques : La précision de la prédiction est évaluée à l'aide de la somme des carrés des résidus entre les probabilités de choix prédites et observées.

Résultats clés

Reproduction des biais : Les LLM ont réussi à reproduire des biais humains systématiques. Dans les domaines de gain, les agents ont généralement fait preuve d'aversion au risque (préférant les itinéraires stables), tandis que dans les domaines de perte, ils ont basculé vers un comportement de recherche de risque (préférant les itinéraires présentant une plus grande variabilité mais un potentiel d'arrivée plus précoce).
Estimation des paramètres : Les données simulées par LLM ont produit des estimations de paramètres CPT de $\alpha = 0,4$ , $\beta = 0,64$ et $\lambda = 1,43$ . Ces valeurs indiquent une sensibilité décroissante prononcée et une aversion à la perte significative (les agents sont 1,43 fois plus sensibles aux pertes qu'aux gains équivalents).
Précision prédictive : Les paramètres estimés à partir des simulations de LLM ont présenté l'erreur de prédiction la plus faible (0,0036) lorsqu'ils étaient appliqués à un scénario à trois itinéraires, surpassant les paramètres dérivés d'enquêtes réelles (0,0042) et les paramètres classiques non liés au transport (0,0110).
Comportement dépendant du contexte : Les agents ont montré une prise de décision nuancée et dépendante du contexte. Par exemple, bien que généralement adverses au risque, certains types d'agents (ex. : coursiers) ont basculé vers des itinéraires plus risqués lorsque l'alternative garantissait une perte (retard), démontant que les LLM peuvent simuler des compromis complexes plutôt qu'une adhésion rigide à une seule étiquette d'« aversion au risque ».
Robustesse : La méthode a maintenu une haute précision prédictive à travers différents points de référence et configurations de scénarios, y compris les cas où les gains et les pertes étaient définis sous un même point de référence.

Signification et revendications

L'article affirme que sa principale signification réside dans la démonstration que les modèles d'IA générative peuvent servir d'alternative évolutive pour modéliser les processus de décision humaine. Plus précisément :

Faisabilité méthodologique : Il valide que les LLM peuvent reproduire les biais de choix humains non rationnels et les effets de la théorie des perspectives sans spécification explicite des paramètres CPT, en s'appuyant plutôt sur un prompting standardisé pour encoder des profils comportementaux.
Évolutivité (Scalability) : L'approche offre un paradigme de calcul à faible coût marginal et évolutif pour générer des données comportementales hétérogènes à grande échelle, répondant au goulot d'étranglement de l'estimation des paramètres dans la modélisation traditionnelle par agents.
Fondation pour la recherche future : L'étude pose que les agents basés sur les LLM constituent une base prometteuse pour la prochaine génération de simulations multi-agents à grande échelle et la recherche comportementale pilotée par l'IA, capable de capturer les différences individuelles et les comportements émergents au niveau du groupe.

Les auteurs maintiennent une position modeste, notant que bien que les LLM simulent efficacement les biais, des travaux futurs sont nécessaires pour intégrer l'apprentissage, l'interaction sociale et les outils multimodaux afin d'aligner davantage la perception et le raisonnement des agents avec les processus de décision du monde réel.