BEAST-GB, le modèle qui combine psychologie et IA pour prédire les choix

Face à un placement financier incertain, à une assurance ou à une décision de santé, les humains ne calculent pas toujours comme le ferait un tableur. Ils évaluent les gains possibles, craignent les pertes, s’appuient sur quelques expériences passées et adoptent parfois des raccourcis mentaux. C’est précisément ce terrain, celui des choix effectués sous incertitude, que le modèle BEAST-GB cherche à mieux comprendre et à prévoir.

Présenté par des chercheurs du Technion et d’instituts américains, ce travail rapproche deux disciplines qui ont longtemps évolué avec des méthodes distinctes. Les sciences comportementales proposent des théories sur les mécanismes des choix. L’apprentissage automatique, lui, repère des régularités dans de grands ensembles de données. BEAST-GB tente de réunir les deux : il ne part pas seulement des données brutes, mais donne aussi à l’algorithme des indices inspirés de stratégies de décision étudiées par les psychologues et les économistes comportementaux.

L’ambition mérite d’être précisée. Il ne s’agit ni de deviner les pensées d’un individu ni de savoir à l’avance ce qu’il fera dans toutes les circonstances. L’objectif est de mieux prédire des choix dans des situations expérimentales définies, où les options, leurs gains possibles et leur niveau de risque sont connus.

Prédire un choix humain, qu’est-ce que cela veut dire ?

Choisir en situation de risque consiste, par exemple, à arbitrer entre un gain modeste mais certain et une récompense potentiellement plus élevée, mais incertaine. Ces dilemmes sont au cœur de nombreux travaux de science comportementale. Ils permettent de comparer les décisions réellement observées avec ce que prédiraient différents modèles.

Les approches traditionnelles cherchent souvent à décrire une règle générale de comportement. Certaines supposent que les personnes évaluent les conséquences probables de chaque option. D’autres prennent davantage en compte l’aversion aux pertes, la prudence face au pire scénario ou la volonté d’éviter un regret immédiat. Ces théories sont précieuses, car elles donnent une interprétation des mécanismes à l’œuvre. Mais elles peuvent être limitées lorsqu’il faut prédire un grand nombre de choix très variés.

À l’inverse, un modèle de machine learning peut découvrir des corrélations utiles dans les données, sans toujours expliquer clairement pourquoi une prédiction est produite. C’est le compromis que BEAST-GB veut dépasser : conserver un socle théorique pour représenter des comportements plausibles, puis employer un algorithme afin d’en améliorer la capacité prédictive.

BEAST, la base comportementale du modèle

Le premier élément du dispositif est BEAST, pour Best Estimate and Sampling Tools. Ce cadre théorique repose sur des travaux de psychologie de la décision. Il vise à rendre compte de la manière dont des personnes évaluent des choix risqués, notamment lorsqu’elles doivent se prononcer avec une information limitée ou sous pression.

L’idée centrale consiste à représenter plusieurs stratégies décisionnelles possibles. Une personne peut, par exemple, accorder un poids important à sa meilleure estimation du résultat, se focaliser sur un scénario défavorable, ou s’appuyer sur un échantillon mental d’expériences et de résultats imaginés. Aucun de ces réflexes ne résume à lui seul tous les choix humains. Ensemble, ils fournissent toutefois une grille de lecture structurée.

Dans BEAST-GB, ces stratégies sont converties en caractéristiques comportementales. En apprentissage automatique, une caractéristique est une information fournie au modèle pour l’aider à faire une prédiction. Ici, au lieu de ne transmettre que la description arithmétique d’un pari ou d’une option, les chercheurs donnent aussi des variables inspirées de ce que les théories comportementales disent des raisonnements humains.

Cette étape est importante : elle permet d’intégrer une connaissance préalable dans l’algorithme. Celui-ci n’a pas à réinventer seul, à partir des données, les intuitions que des décennies de recherche ont déjà permis de formaliser.

Le rôle du gradient boosting dans BEAST-GB

Le second élément est l’algorithme Extreme Gradient Boosting, couramment appelé XGBoost. Cette méthode appartient à la famille du gradient boosting. Son principe est de construire successivement de nombreux modèles simples, généralement des arbres de décision, chaque nouvelle étape cherchant à corriger une partie des erreurs de la précédente.

L’algorithme peut ainsi combiner de nombreux signaux, détecter des relations complexes entre eux et ajuster son estimation à partir d’exemples déjà observés. Dans le cadre de cette recherche, le couplage de BEAST avec Extreme Gradient Boosting donne son nom au modèle : BEAST-GB.

Cette architecture ne transforme pas automatiquement la psychologie en vérité mathématique. Elle met plutôt en concurrence et en combinaison des hypothèses comportementales au contact des données. Si certaines caractéristiques aident systématiquement à prédire les choix, l’algorithme peut leur accorder davantage d’importance dans ses estimations.

Des résultats remarqués lors de la compétition CPC18

BEAST-GB s’est distingué dans la compétition de prédiction des choix CPC18. Ce type d’exercice soumet les modèles à des données de décisions humaines et mesure leur aptitude à anticiper les résultats observés. C’est un test plus exigeant qu’une démonstration théorique : une bonne explication du comportement ne suffit pas, il faut aussi produire des prévisions qui résistent à l’évaluation.

Selon les résultats rapportés par les chercheurs, BEAST-GB a capturé 93 % de la variation prévisible dans les données de la compétition. Des essais ultérieurs, reposant sur un échantillon 40 fois plus important, ont fait monter la performance rapportée à 96 %.

Ces pourcentages doivent être lus avec attention. Ils ne veulent pas dire que le système prédit exactement 93 ou 96 choix sur 100 pour n’importe quelle personne dans n’importe quelle situation. Ils décrivent une performance calculée selon le protocole et la métrique de l’étude. En recherche, la distinction est essentielle : un score élevé valide la qualité d’un modèle sur une tâche définie, pas une capacité générale à anticiper toute conduite humaine.

Le résultat reste notable parce qu’il suggère que les théories comportementales et les méthodes guidées par les données ne sont pas rivales. Leur association peut dépasser les modèles comportementaux traditionnels comme les approches reposant uniquement sur les données.

Pourquoi associer théorie et données ?

Les sciences comportementales ont l’avantage de poser de bonnes questions. Pourquoi une perte paraît-elle parfois plus marquante qu’un gain équivalent ? Pourquoi une personne privilégie-t-elle une option certaine malgré une espérance de gain moins élevée ? Pourquoi l’expérience récente influence-t-elle autant une décision ? Elles proposent des mécanismes qui peuvent être discutés, testés et affinés.

Le machine learning apporte une autre force : il peut traiter un grand nombre de variables et identifier des combinaisons difficiles à formuler à la main. Mais une méthode purement statistique risque aussi de confondre une régularité locale avec une règle valable au-delà du jeu de données d’origine. En injectant des caractéristiques issues de la théorie, BEAST-GB cherche à rendre l’apprentissage plus pertinent dans le domaine très spécifique des choix risqués.

Cette démarche intéresse particulièrement les chercheurs, car un modèle plus performant peut aussi servir à mettre à l’épreuve les théories elles-mêmes. Si une hypothèse comportementale n’améliore jamais les prédictions, elle devra être reconsidérée. À l’inverse, les variables qui contribuent fortement aux résultats peuvent révéler des mécanismes à étudier plus précisément.

Quelles applications dans le monde réel ?

Les auteurs envisagent des collaborations avec des responsables politiques et des acteurs des initiatives de science comportementale. Le but est de tester BEAST-GB dans des situations concrètes, puis d’utiliser les retours du terrain pour améliorer à la fois le modèle et les théories qui le nourrissent.

Dans l’action publique, comprendre les choix peut aider à concevoir des messages, des formulaires ou des incitations plus efficaces. Les sciences comportementales sont déjà mobilisées pour encourager des décisions jugées bénéfiques, par exemple en matière de santé, d’épargne ou de démarches administratives. On parle parfois de nudges, des modifications de l’environnement de choix destinées à faciliter une action sans supprimer les alternatives.

Un modèle prédictif pourrait, en théorie, aider à choisir entre plusieurs manières de présenter une information ou de structurer une procédure. Il pourrait aussi permettre de mieux anticiper les effets inattendus d’une intervention. Mais l’étape de validation est décisive. Des résultats obtenus dans une compétition de prédiction ne suffisent pas à garantir une efficacité dans une administration, une entreprise ou un service de santé.

Les limites à ne pas oublier

Prédire des choix soulève immédiatement des questions éthiques. Une organisation qui comprend mieux les biais, les craintes ou les préférences d’un public peut chercher à l’aider, mais aussi à orienter ses décisions à son avantage. La frontière dépend de l’objectif poursuivi, de la transparence de l’intervention et de la liberté réellement laissée aux personnes.

Les données constituent un autre point de vigilance. Un modèle comportemental appliqué hors laboratoire ne devrait pas conduire à collecter plus d’informations personnelles que nécessaire. Les données doivent être protégées, l’usage expliqué et les effets sur différents groupes évalués. Une prédiction moyenne peut en effet être moins fiable pour des personnes ou des populations insuffisamment représentées dans les données d’entraînement.

Enfin, l’incertitude reste inhérente à la décision humaine. Les choix dépendent du contexte social, de la formulation des options, de l’état émotionnel, des contraintes matérielles et d’événements imprévus. Un modèle performant doit donc être considéré comme une aide à l’analyse, non comme un arbitre incontestable.

Ce qu’il faut surveiller

La prochaine étape pour BEAST-GB est le passage de l’évaluation expérimentale à des tests en conditions réelles. Les collaborations annoncées avec des décideurs permettront de vérifier si les performances observées se maintiennent quand les situations deviennent plus riches, moins contrôlées et plus proches de la vie quotidienne.

Les chercheurs souhaitent aussi étendre le champ de leurs travaux à des problèmes de décision exprimés en langage naturel. Cette piste est ambitieuse : les dilemmes réels sont rarement présentés sous la forme nette de probabilités et de montants. Ils sont racontés dans des messages, des consignes, des contrats ou des conversations. Examiner comment les théories comportementales peuvent enrichir les méthodes d’apprentissage déjà établies dans ce domaine sera donc un enjeu majeur.

À la date du 16 août 2025, BEAST-GB illustre surtout une évolution de fond : les modèles d’IA les plus utiles pour étudier les comportements ne sont pas nécessairement ceux qui abandonnent les sciences humaines au profit des seules données. Ils pourraient, au contraire, gagner en précision lorsqu’ils apprennent avec elles, à condition que leurs usages restent mesurés, vérifiables et respectueux de l’autonomie des personnes.