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 basés sur l’IA peuvent personnaliser les conseils pour améliorer l’efficacité de la prise de décision.
Même une surcharge d’informations minime peut entraver une prise de décision efficace, selon une nouvelle étude du Stevens Institute of Technology.
Lorsque les individus sont confrontés à des choix difficiles, ils recherchent souvent instinctivement des informations générales. Cependant, des recherches récentes publiées dans la revue Recherche cognitive : principes et implications Cela suggère que cela pourrait en réalité constituer un problème : cet afflux de faits et de détails tend à affaiblir plutôt qu’à améliorer la qualité de la 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 Farber, auteur principal de l’article et informaticienne au Stevens Institute of Technology. « Mais la vérité est qu’en matière d’information, plus n’est pas nécessairement mieux. »
Modèles simples versus 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 obtenir des résultats spécifiques.
Lorsqu’il s’agit de décrire des scénarios hypothétiques abstraits, tels que 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 parti pris ni aucune idée préconçue sur les danses extraterrestres. Les gens prennent de bonnes décisions parce qu’ils se concentrent sur les informations qui leur sont fournies.
Exemple de modèle causal complexe pour la gestion de la perte de poids, contenant des informations pertinentes et des informations non pertinentes. Lorsque les informations pertinentes ne sont pas mises en évidence dans le formulaire, les participants prennent de mauvaises décisions lorsqu’on leur présente une série de questions. Crédit : Institut de technologie Stevens
mais L’œuvre de Kleinberg Lorsqu’il s’agit de scénarios quotidiens, comme savoir comment prendre des décisions saines en matière de nutrition, par exemple, la capacité des gens à penser efficacement s’évapore presque, explique-t-il.
« Nous pensons que les connaissances et les croyances antérieures des gens les détournent du modèle causal qui se présente à eux », a expliqué Kleinberg. « Si je réfléchis à ce que je devrais manger, par exemple, je peux avoir toutes sortes d’idées préconçues sur les meilleures choses à manger, ce qui rend difficile l’utilisation efficace des informations qui me sont données. »
Des décisions quotidiennes difficiles
Pour vérifier cette hypothèse S’appuyant sur leur étude de 2020Kleinberg et la co-auteure Jessica Marsh, psychologue cognitive à Université Lehigh, a mené une série d’expériences pour explorer en quoi la prise de décision des gens diffère lorsqu’ils sont confrontés à différents types de modèles causals sur un large éventail de sujets de la vie réelle, depuis l’achat d’une maison et la gestion de leur poids jusqu’au choix d’une université et à l’augmentation de la participation électorale. . Il est vite devenu évident que les gens savaient comment utiliser les modèles causals, mais même un modèle très simple devenait rapidement inutile lorsque quelques détails supplémentaires, au-delà des informations absolument nécessaires pour prendre une bonne décision, étaient ajoutés au mélange.
« Ce qui est vraiment frappant, c’est que même une petite quantité d’informations redondantes a un impact négatif significatif sur notre processus décisionnel », a déclaré Kleinberg. « Si vous obtenez trop d’informations, votre prise de décision devient vite aussi mauvaise que si vous n’aviez aucune information. »
Si le modèle causal montre que la consommation d’aliments salés augmente la tension artérielle, mais montre également des informations superflues, comme boire de l’eau rend moins soif, par exemple, il devient très difficile pour les gens de faire des choix efficaces sur la meilleure façon de maintenir leur santé. Cependant, lorsque l’équipe de Kleinberg a mis en évidence des informations causales importantes, la capacité des individus à prendre de bonnes décisions est rapidement revenue.
« C’est important car cela montre que le problème n’est pas seulement que les gens sont submergés par une quantité écrasante d’informations, mais qu’ils ont du mal à savoir à quelles parties du modèle ils devraient prêter attention », a déclaré Kleinberg.
Implications pour la santé publique et au-delà
Ce travail a des implications majeures dans des domaines tels que la santé publique car il signifie que les messages éducatifs doivent être intégrés dans leurs parties les plus importantes et délivrés avec soin 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 de dépistage du coronavirus ou de savoir quoi manger ou boire, 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 pires décisions que ceux qui demandaient moins d’informations. « Si vous donnez aux gens la possibilité de trop réfléchir, même lorsqu’ils demandent des informations supplémentaires, les choses tournent mal », a déclaré Kleinberg. 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 basés sur l’IA pour personnaliser les informations de santé ou les conseils nutritionnels aux individus au cas par cas – essentiellement en alimentant un modèle causal complexe dans le modèle d’IA, lui permettant de détecter et mettre en évidence uniquement des informations spécifiques, liées à une personne spécifique.
Référence : « Moins, c’est plus : besoins d’information, désirs d’information et ce qui rend les modèles causals utiles » par Samantha Kleinberg et Jessica K. Marais, 30 août 2023, Recherche cognitive : principes et implications.
est ce que je: 10.1186/s41235-023-00509-7
L’étude a été financée par le James S. McDonnell et la National Science Foundation.