DfE-DB: A systematic database of 3.8 million human decisions across experience-based tasks

L'article présente la base de données des décisions issues de l'expérience (DfE-DB), une ressource ouverte et complète harmonisant 3,8 millions de décisions au niveau des essais provenant de 11 921 participants répartis dans 168 études, afin de permettre des comparaisons systématiques de la manière dont les caractéristiques de conception façonnent les tendances décisionnelles humaines et favorisent la recherche reproductible.

L'essentiel

Imaginez que, pendant des années, les scientifiques cherchant à comprendre comment les humains prennent des décisions basées sur leurs expériences passées aient été comme des détectives travaillant dans des pièces séparées et isolées. Chaque détective possédait un tas de indices (données), mais ceux-ci étaient écrits dans différentes langues, stockés dans différents carnets et organisés de manière confuse. À cause de cela, il a été presque impossible de comparer les découvertes d'un détective avec celles d'un autre pour voir le tableau d'ensemble.

Cet article présente un nouvel outil massif appelé DfE-DB (Base de données des décisions issues de l'expérience) qui agit comme un traducteur universel géant et une armoire à dossiers pour tous ces indices dispersés.

Voici ce qu'ils ont fait, décomposé simplement :

1. Le grand nettoyage
Les chercheurs ont rassemblé un nombre stupéfiant de 3,8 millions de décisions individuelles prises par près de 12 000 personnes à travers 168 études différentes. Auparavant, ces données étaient désordonnées et fragmentées. L'équipe a pris tous ces éléments bruts et désorganisés et les a « harmonisés ». Imaginez que vous preniez des milliers de puzzles différents provenant de boîtes distinctes, que vous triiez chaque pièce individuellement, et que vous les placiez tous dans une seule boîte géante et organisée où chaque pièce s'assemble parfaitement.

2. La carte universelle
Ils n'ont pas simplement déversé les données ; ils ont créé une carte détaillée. Ils ont catégorisé chaque étude en fonction de 13 caractéristiques de conception spécifiques. Imaginez que vous essayiez de comprendre pourquoi les gens choisissent différentes saveurs de glace. Au lieu de simplement regarder les saveurs, vous noteriez également la température de la pièce, la couleur de la cuillère et si la personne avait faim. La DfE-DB fait exactement cela pour la prise de décision, étiquetant chaque expérience avec des détails tels que :

• La personne a-t-elle reçu un retour immédiat ?
• Les résultats étaient-ils prévisibles ou aléatoires ?
• Les règles du jeu sont-elles restées les mêmes ou ont-elles changé ?

3. Ce qu'ils ont découvert
Une fois cette carte unifiée en place, ils ont enfin pu voir des motifs qui étaient auparavant cachés. Ils ont constaté que la façon dont les gens choisissent — qu'ils aient tendance à prendre des risques, à jouer la sécurité ou à viser un résultat moyen — change radicalement en fonction des « règles du jeu » (les caractéristiques de conception).

Par exemple, la manière dont une tâche est configurée (comme savoir si l'on vous indique le résultat immédiatement ou si vous devez attendre) façonne fortement si une personne agit avec audace ou prudence. La base de données a montré que ces caractéristiques de conception spécifiques expliquent une grande partie des différences observées entre les études. C'est comme réaliser que la raison pour laquelle les gens se comportent différemment dans différentes expériences n'est pas parce que les humains sont inconstants, mais parce que les « jeux » qu'ils jouent présentent des différences subtiles mais puissantes.

4. Le résultat
L'objectif principal de cet article est de fournir une fondation unifiée et en libre accès pour la science. En offrant aux chercheurs un endroit unique et fiable pour comparer les données, cela leur permet de tester si les règles du comportement humain qu'ils découvrent dans une étude sont valables dans une autre. Cela transforme une collection chaotique d'expériences isolées en une science cohérente et intégrée de la façon dont nous apprenons de nos expériences.

En bref, l'article n'a pas seulement construit une plus grande bibliothèque ; il a construit un système qui nous permet enfin de lire tous les livres de cette bibliothèque en même temps pour comprendre l'histoire complète de la prise de décision humaine.

Résumé technique

Résumé technique : DfE-DB

Énoncé du problème
La recherche sur l'apprentissage par l'expérience dans la prise de décision humaine a été contrainte par un manque de comparabilité systématique entre les études. Les progrès dans ce domaine sont entravés par deux problèmes principaux : des conceptions de tâches hétérogènes et des formats de données fragmentés. Ces incohérences empêchent les chercheurs d'effectuer des comparaisons quantitatives unifiées, obscurcissant la généralisabilité des phénomènes comportementaux et des modèles computationnels à travers différents contextes expérimentaux.

Méthodologie
Pour remédier à ces problèmes de fragmentation, les auteurs ont construit la base de données Decisions From Experience (DfE-DB). Cette ressource implique l'agrégation et l'harmonisation systématiques de données comportementales brutes issues de 168 études distinctes impliquant 11 921 participants. La base de données englobe environ 3,8 millions de décisions au niveau des essais couvrant 13 paradigmes expérimentaux différents.

La contribution méthodologique centrale réside dans le processus de standardisation. Les auteurs n'ont pas simplement agrégé des données ; ils ont harmonisé les enregistrements comportementaux bruts et classé chaque étude selon 13 caractéristiques de conception clés. Ce cadre de classification permet la cartographie systématique des variables expérimentales, telles que les types de rétroaction, les structures de résultats, la stationnarité et les méthodes d'échantillonnage, rendant possibles des comparaisons quantitatives qui étaient auparavant impossibles en raison de l'hétérogénéité structurelle.

Contributions clés

1. Infrastructure unifiée : La DfE-DB sert de ressource structurée et accessible au public qui unifie des ensembles de données disparates en une seule infrastructure de données extensible.
2. Taxonomie des caractéristiques de conception : En classant les études selon 13 caractéristiques de conception spécifiques, la base de données fournit un mécanisme pour analyser comment des paramètres expérimentaux spécifiques influencent les résultats de la prise de décision.
3. Reproductibilité : La ressource est conçue pour faciliter la recherche reproductible, permettant le test rigoureux de la généralité des phénomènes comportementaux et des modèles computationnels à travers un large éventail de conditions expérimentales.

Résultats
En tirant parti de la DfE-DB, les auteurs ont mené une analyse des tendances de choix, examinant spécifiquement les préférences envers un risque plus élevé, une valeur attendue ou une moyenne expérimentée. Les résultats indiquent que ces tendances varient considérablement selon les différents paradigmes. Crucialement, l'analyse démontre que cette variabilité est fortement façonnée par des caractéristiques de conception fondamentales, notamment :

• Le type de rétroaction
• La structure des résultats
• La stationnarité
• Les méthodes d'échantillonnage

La base de données révèle que ces caractéristiques de conception expliquent une part substantielle de la variabilité inter-études dans le comportement de prise de décision. De plus, l'analyse met en évidence l'existence de variantes de paradigmes sous-explorées au sein de la littérature existante.

Signification
L'article positionne la DfE-DB comme un outil fondamental pour favoriser une science plus intégrée des décisions issues de l'expérience. En fournissant une plateforme unifiée, la base de données permet aux chercheurs de dépasser les comparaisons d'études isolées pour parvenir à des évaluations systématiques et quantitatives de la manière dont la conception expérimentale façonne le comportement humain. Les auteurs affirment que cette infrastructure est essentielle pour tester la robustesse et la généralité des théories comportementales et des modèles computationnels existants, répondant ainsi aux limitations imposées par des données fragmentées et des conceptions de tâches hétérogènes.