How Occam's razor guides human decision-making

Dans la réalité désordonnée de la vie quotidienne, nous sommes constamment contraints de choisir entre des récits concurrents pour expliquer ce que nous voyons. Lorsqu'une voiture ne démarre pas, nous pouvons accuser une batterie déchargée, un alternateur défectueux ou un fantôme dans le moteur. Nos cerveaux doivent passer au crible ces possibilités, souvent avec très peu d'informations, pour décider quelle explication est la plus susceptible d'être vraie. Depuis des siècles, des philosophes et des scientifiques ont proposé une règle directrice pour ce processus, connue sous le nom de rasoir d'Occam. Le principe suggère que lorsque deux explications correspondent tout aussi bien aux faits, la plus simple est généralement le meilleur choix. C'est un raccourci mental qui favorise l'histoire avec le moins de pièces mobiles, le moins d'hypothèses et le moins de place pour l'erreur. Mais bien que cette idée soit depuis longtemps la favorite des penseurs, il est resté peu clair si le cerveau humain l'utilise réellement de la manière précise et mathématique que prédit la théorie, ou si nous avons simplement une préférence vague pour les choses qui semblent moins compliquées.

Une équipe de chercheurs a maintenant déplacé cette question du domaine de la philosophie vers le laboratoire, en utilisant une série d'expériences soigneusement conçues pour mesurer exactement comment les humains pèsent la simplicité par rapport à l'exactitude. Ils ont découvert que la prise de décision humaine suit effectivement une forme spécifique et quantifiable du rasoir d'Occam. Face à des données bruitées et incertaines, les gens préfèrent naturellement l'explication la plus simple, non pas seulement parce qu'elle semble juste, mais parce que leurs cerveaux semblent effectuer un calcul statistique complexe qui fait la moyenne de toutes les versions possibles d'une histoire afin de ne pas être trompés par le hasard. Cette préférence pour la simplicité est si profondément ancrée qu'elle persiste même lorsque les gens sont explicitement informés de l'ignorer et de se concentrer uniquement sur la meilleure adaptation. En contraste frappant, des programmes informatiques entraînés pour résoudre les mêmes problèmes n'ont adopté ce biais de simplicité que lorsqu'on leur a spécifiquement programmé pour le faire, suggérant que la tendance humaine à favoriser les explications simples est une caractéristique fondamentale de notre cognition, et non pas seulement une stratégie apprise.

Les chercheurs ont entrepris de tester cela en créant un jeu visuel où les participants devaient agir comme des détectives. Sur un écran d'ordinateur, un nuage de dix points rouges apparaissait, dispersés de manière quelque peu aléatoire autour d'un point central. Ces points étaient générés par l'une des deux formes cachées, soit une ligne droite, soit un arc courbe, qui servaient de « source » des données. La tâche des participants consistait à deviner quelle forme avait produit les points. Les formes étaient dessinées en noir et les points en rouge, créant un puzzle visuel clair. Pour rendre la tâche scientifiquement rigoureuse, les chercheurs ont conçu quatre versions différentes du jeu. Dans chaque version, ils opposaient deux formes d'une manière qui isolait une caractéristique mathématique spécifique de la complexité. Une version comparait un point unique à une longue ligne, testant comment les gens gèrent le nombre de variables. Une autre comparait deux lignes de longueurs différentes, testant la taille de la zone possible que la forme pouvait couvrir. Une troisième version examinait comment la forme était positionnée par rapport aux données, et la quatrième examinait comment la forme se courbait loin des données.

Dans ces expériences, les chercheurs pouvaient calculer la réponse mathématiquement parfaite pour chaque essai. Un observateur parfait, suivant les règles strictes des statistiques bayésiennes, ne chercherait pas seulement la forme la plus proche des points. Au lieu de cela, cet observateur idéal considérerait chaque position possible que la forme aurait pu prendre et en ferait la moyenne. Ce processus pénalise naturellement les formes qui sont trop flexibles ou trop grandes, car elles dispersent leur « pouvoir explicatif » trop mince sur l'écran, ce qui les rend moins susceptibles d'être la véritable source d'un groupe de points spécifique. Les chercheurs prédisaient que si les humains utilisaient ce genre de raisonnement statistique, leurs choix s'éloigneraient des formes complexes pour se rapprocher des formes simples, même si les formes complexes étaient techniquement plus proches des points.

Les résultats ont confirmé que les humains font exactement cela. Lorsque les données étaient ambiguës, c'est-à-dire que les points étaient approximativement équidistants des deux formes, les participants choisissaient systématiquement l'option la plus simple. Mais l'étude est allée plus loin qu'une simple démonstration d'une préférence générale ; elle a mesuré la force de cette préférence avec une grande précision. En analysant des milliers de choix provenant de plus de 200 participants, l'équipe a découvert que les gens étaient sensibles à quatre caractéristiques géométriques distinctes des formes : leur dimensionnalité (le nombre de paramètres qu'elles possèdent), leurs limites (où elles se terminent), leur volume (l'espace qu'elles couvrent) et leur robustesse (la façon dont elles se courbent). Les choix des participants s'alignaient quantitativement avec les prédictions du modèle mathématique. Ils ne préféraient pas seulement vaguement les choses « simples » ; ils pesaient ces facteurs géométriques spécifiques d'une manière qui correspondait étroitement à l'idéal théorique de l'intégration sur toutes les causes possibles.

Pour comprendre s'il s'agissait d'un comportement appris ou de quelque chose de plus fondamental, les chercheurs ont comparé les participants humains à des réseaux de neurones artificiels, un type de programme informatique conçu pour imiter le cerveau. Ils ont entraîné ces réseaux à résoudre les mêmes puzzles de points et de formes. Lorsqu'ils ont été entraînés pour trouver la solution « générative » mathématiquement parfaite — ce qui nécessite d'utiliser le biais de simplicité — ils ont appris à le faire et ont mieux performé que les humains. Cependant, lorsque les chercheurs ont changé les instructions et leur ont dit de trouver la solution de « maximum de vraisemblance » — signifiant qu'ils devaient simplement choisir la forme la plus proche des points, ignorant la complexité — les réseaux se sont adaptés instantanément. Ils ont cessé de montrer toute préférence pour la simplicité et ont parfaitement accompli la nouvelle tâche.

Les participants humains, cependant, ne changeaient pas si facilement. Même lorsqu'ils recevaient les mêmes instructions d'ignorer la complexité et de simplement choisir la forme la plus proche, ils continuaient à favoriser les options les plus simples. Leur cerveau semblait incapable d'éteindre le mécanisme qui intègre toutes les possibilités. Cela suggère que la préférence humaine pour la simplicité n'est pas une stratégie flexible que nous adoptons lorsque nous sommes invités à être intelligents, mais une partie centrale de la façon dont nous traitons l'information. Nous semblons naturellement faire la moyenne de toutes les manières dont une histoire pourrait être vraie, ce qui nous protège du surapprentissage lié au bruit, alors que les machines ne le font que si nous leur intégrons explicitement cette capacité.

L'étude a également révélé que, bien que les humains soient remarquablement doués, ils ne sont pas parfaits. Il existait une large gamme de différences individuelles dans la manière dont les gens appliquaient ces règles de simplicité. Certains participants étaient très proches de l'idéal mathématique, tandis que d'autres étaient moins sensibles à certaines caractéristiques, comme la taille de la forme ou sa courbure. Curieusement, ceux qui étaient plus éloignés de l'idéal avaient tendance à commettre plus d'erreurs, suggérant que le réglage de ce « filtre de simplicité » interne est crucial pour prendre des décisions précises dans un monde bruyant. Les chercheurs ont noté que les gens semblaient peser les différentes caractéristiques différemment, peut-être parce que certaines sont plus faciles à calculer que d'autres. Par exemple, compter le nombre de variables dans une forme peut être plus simple pour le cerveau que de calculer le volume total de l'espace qu'elle couvre, ce qui conduit à un déséquilibre naturel dans l'application de la règle.

En fin de compte, ce travail offre un aperçu quantitatif rare de la machinerie cachée de la pensée humaine. Il montre que nos cerveaux ne sont pas seulement des machines de reconnaissance de formes qui cherchent la correspondance la plus proche. Au lieu de cela, ils agissent comme des statisticiens sophistiqués qui demandent constamment : « De combien d'autres manières cela aurait-il pu se produire ? » et utilisent la réponse pour guider leurs choix. En intégrant toutes les explications possibles, nous évitons le piège de croire une histoire complexe et flexible simplement parce qu'elle correspond par hasard aux données actuelles. Cette étude confirme que le rasoir d'Occam n'est pas seulement une suggestion philosophique sur la façon dont nous devrions penser, mais une description de la façon dont nous pensons réellement, une caractéristique intégrée de la cognition humaine qui nous aide à naviguer dans un monde rempli d'incertitude et de bruit.