Une nouvelle étude révèle qu’un excès d’informations peut nuire à la prise de décision. Cela a des implications pour la santé publique, suggérant qu’une information simplifiée et ciblée améliore les choix. Les chatbots IA pourraient potentiellement personnaliser les conseils pour améliorer l’efficacité de la prise de décision.
Même un excès d’informations minime peut entraver une prise de décision efficace, selon une nouvelle recherche du Stevens Institute of Technology.
Lorsqu’ils sont confrontés à des choix difficiles, les individus recherchent souvent instinctivement des informations détaillées. Cependant, des recherches récentes publiées dans la revue Recherche cognitive : principes et implications suggère que cela pourrait en réalité constituer un problème : cet afflux de faits et de détails tend à nuire, plutôt qu’à améliorer, la qualité de leur prise de décision.
« C’est contre-intuitif, car nous aimons tous penser que nous utilisons l’information à bon escient pour prendre des décisions intelligentes », a déclaré Samantha Kleinberg, professeure agrégée à la chaire Farber, auteur principal de l’article et informaticienne au Stevens Institute of Technology. « Mais la réalité est qu’en matière d’information, plus n’est pas nécessairement mieux. »
Modèles simples et scénarios du monde réel
Pour étudier la façon dont les gens prennent des décisions, les chercheurs créent généralement des diagrammes simples – ou des modèles causals – qui montrent comment différents facteurs interagissent logiquement les uns avec les autres pour produire des résultats spécifiques.
Lorsqu’il s’agit de décrire des scénarios hypothétiques abstraits, comme la façon dont les extraterrestres s’affrontent lors d’une soirée dansante, la plupart des gens peuvent raisonner efficacement sur de tels modèles car ils n’ont aucun préjugé ou idées préconçues sur les danses extraterrestres. Les gens prennent de bonnes décisions parce qu’ils se concentrent sur les informations qui leur sont fournies.
Un exemple de modèle causal complexe pour gérer la perte de poids, contenant à la fois des informations pertinentes et non pertinentes. Lorsque les informations pertinentes ne sont pas mises en évidence dans le modèle, les participants ont pris de mauvaises décisions lorsqu’on leur a posé une série de questions. Crédit : Institut de technologie Stevens
Mais les travaux de Kleinberg montrent que lorsqu’il s’agit de scénarios quotidiens, comme par exemple comment prendre des décisions saines en matière de nutrition, la capacité des gens à raisonner efficacement s’évapore.
« Nous pensons que les connaissances et les croyances antérieures des gens les détournent du modèle causal qui leur est présenté », a expliqué Kleinberg. « Si je réfléchis sur quoi manger, par exemple, je peux avoir toutes sortes d’idées préconçues sur les meilleures choses à manger – et cela rend plus difficile l’utilisation efficace des informations qui me sont présentées. »
Le défi des décisions quotidiennes
Pour vérifier cette hypothèse et en s’appuyant sur leur étude de 2020, Kleinberg et le co-auteur Jessecae Marsh, psychologue cognitif à Université Lehigh, a mené une série d’expériences explorant la façon dont la prise de décision des gens varie lorsqu’on leur présente différents types de modèles causals sur un large éventail de sujets de la vie réelle, de l’achat d’une maison à la gestion de son poids, en passant par le choix d’une université et l’augmentation de la participation électorale. . Il est rapidement devenu évident que les gens savent utiliser les modèles causals, mais même un modèle très simple devient rapidement inutile lorsqu’un petit détail supplémentaire, au-delà des informations strictement nécessaires pour prendre une bonne décision, est ajouté au mélange.
« Ce qui est vraiment remarquable, c’est que même une infime quantité d’informations excédentaires a un effet négatif important sur notre prise de décision », a déclaré Kleinberg. « Si vous obtenez trop d’informations, votre prise de décision devient rapidement aussi mauvaise que si vous n’aviez obtenu aucune information. »
Si un modèle causal montre que la consommation d’aliments salés augmente la tension artérielle, mais montre également que des informations superflues telles que le fait de boire de l’eau diminue la soif, par exemple, il devient beaucoup plus difficile pour les gens de faire des choix efficaces quant à la meilleure façon de maintenir leur santé. Cependant, lorsque l’équipe de Kleinberg a mis en évidence les informations causales saillantes, la capacité des gens à prendre de bonnes décisions revient rapidement.
« C’est important car cela montre que le problème n’est pas seulement que les gens sont submergés par la quantité d’informations, mais plutôt qu’ils ont du mal à déterminer à quelles parties du modèle ils devraient prêter attention », a déclaré Kleinberg.
Implications en santé publique et au-delà
Ce travail a des implications significatives dans des domaines comme la santé publique, car cela signifie que les messages éducatifs doivent être réduits à leurs parties les plus essentielles et soigneusement présentés afin d’avoir un impact positif. « Si vous donnez aux gens une longue liste de choses à prendre en compte lorsqu’ils décident de porter un masque facial, de passer un test COVID ou de quoi manger ou boire, alors vous leur compliquez en fait la tâche de prendre de bonnes décisions. « , a déclaré Kleinberg.
Même lorsque Kleinberg et Marsh donnaient aux participants la possibilité de recevoir plus ou moins d’informations, ceux qui demandaient plus d’informations prenaient de moins bonnes décisions que ceux qui en demandaient moins. « Si vous donnez aux gens la possibilité de trop réfléchir, même lorsqu’ils demandent des informations supplémentaires », a déclaré Kleinberg, « les choses se passent mal. Les gens ont besoin de modèles causals simples et soigneusement ciblés pour prendre de bonnes décisions.
Une approche pour aider à la prise de décision pourrait consister à utiliser des chatbots IA pour adapter les informations de santé ou les conseils nutritionnels aux individus au cas par cas – essentiellement en introduisant un modèle causal complexe dans le modèle IA, et en le laissant détecter et mettre en évidence uniquement les informations spécifiques les plus pertinentes pour une personne en particulier.
L’étude a été financée par la Fondation James S. McDonnell et la National Science Foundation.
