Le cerveau humain est très bon pour résoudre des problèmes complexes. L'une des raisons est que les humains peuvent séparer les problèmes en sous-tâches gérables qui sont faciles à résoudre une à la fois.
Cela nous permet de terminer une tâche quotidienne comme sortir prendre un café en le divisant en étapes: sortir de notre immeuble de bureaux, naviguer vers le café et une fois, obtenir le café. Cette stratégie nous aide à gérer facilement les obstacles. Par exemple, si l'ascenseur est brisé, nous pouvons réviser comment nous sortons du bâtiment sans changer les autres étapes.
Bien qu'il existe de nombreuses preuves comportementales démontrant les compétences des humains à ces tâches compliquées, il a été difficile de concevoir des scénarios expérimentaux qui permettent une caractérisation précise des stratégies de calcul que nous utilisons pour résoudre des problèmes.
Dans une nouvelle étude, les chercheurs du MIT ont modélisé avec succès comment les gens déploient différentes stratégies de prise de décision pour résoudre une tâche compliquée – dans ce cas, prédisant comment une balle se déplacera à travers un labyrinthe lorsque le ballon est caché. Le cerveau humain ne peut pas effectuer cette tâche parfaitement car il est impossible de suivre toutes les trajectoires possibles en parallèle, mais les chercheurs ont constaté que les gens peuvent performer assez bien en adoptant de manière flexible deux stratégies appelées raisonnement hiérarchique et raisonnement contrefactuel.
Les chercheurs ont également pu déterminer les circonstances dans lesquelles les gens choisissent chacune de ces stratégies.
Ce que les humains sont capables de faire, c'est de décomposer le labyrinthe en sous-sections, puis de résoudre chaque étape en utilisant des algorithmes relativement simples. En effet, lorsque nous n'avons pas les moyens de résoudre un problème complexe, nous gérons en utilisant des heuristiques plus simples qui font le travail. «
Mehrdad Jazayeri, professeur de sciences cérébrales et cognitives, membre du McGovern Institute for Brain Research, enquêteur au Howard Hughes Medical Institute, et auteur principal de l'étude
Mahdi Ramadan PhD '24 et étudiant diplômé Cheng Tang sont les principaux auteurs de l'article, qui apparaît aujourd'hui dans Nature comportement humain. Nicholas Watters PhD '25 est également co-auteur.
Stratégies rationnelles
Lorsque les humains effectuent des tâches simples qui ont une réponse correcte claire, comme la catégorisation des objets, ils fonctionnent extrêmement bien. Lorsque les tâches deviennent plus complexes, comme la planification d'un voyage dans votre café préféré, il n'y a peut-être plus une réponse clairement supérieure. Et, à chaque étape, il y a beaucoup de choses qui pourraient mal tourner. Dans ces cas, les humains sont très bons pour élaborer une solution qui fera la tâche, même si ce n'est pas la solution optimale.
Ces solutions impliquent souvent des raccourcis de résolution de problèmes ou des heuristiques. Deux heuristiques proéminentes sur lesquelles les humains comptent généralement sont le raisonnement hiérarchique et contrefactuel. Le raisonnement hiérarchique est le processus de décomposition d'un problème en couches, à partir du général et à se diriger vers des détails. Le raisonnement contrefactuel implique d'imaginer ce qui se serait passé si vous aviez fait un choix différent. Bien que ces stratégies soient bien connues, les scientifiques ne savent pas grand-chose sur la façon dont le cerveau décide lequel utiliser dans une situation donnée.
« C'est vraiment une grande question en sciences cognitives: comment résoudre les problèmes de manière sous-optimale, en proposant des heuristiques intelligentes que nous enchaînons d'une manière qui finit par nous rapprocher de plus en plus jusqu'à ce que nous résolvons le problème? » Dit Jazayeri.
Pour surmonter cela, Jazayeri et ses collègues ont conçu une tâche qui est juste suffisamment complexe pour nécessiter ces stratégies, mais assez simple pour que les résultats et les calculs qui y entrent peuvent être mesurés.
La tâche oblige les participants à prédire le chemin d'une balle lorsqu'il se déplace à travers quatre trajectoires possibles dans un labyrinthe. Une fois que le ballon entre dans le labyrinthe, les gens ne peuvent pas voir quel chemin il ouvre. À deux jonctions dans le labyrinthe, ils entendent un signal auditif lorsque le ballon atteint ce point. Prédire le chemin du ballon est une tâche qui est impossible pour les humains de résoudre avec une précision parfaite.
« Cela nécessite quatre simulations parallèles dans votre esprit, et aucun humain ne peut le faire. Il est analogue à avoir quatre conversations à la fois », explique Jazayeri. « La tâche nous permet de puiser dans cet ensemble d'algorithmes que les humains utilisent, car vous ne pouvez tout simplement pas le résoudre de manière optimale. »
Les chercheurs ont recruté environ 150 bénévoles humains pour participer à l'étude. Avant que chaque sujet ne commence la tâche de suivi du ballon, les chercheurs ont évalué à quel point ils pouvaient estimer avec précision les capacités de plusieurs centaines de millisecondes, sur la durée du temps pour voyager le long d'un bras du labyrinthe.
Pour chaque participant, les chercheurs ont créé des modèles de calcul qui pourraient prédire les modèles d'erreurs qui seraient observés pour ce participant (en fonction de leur compétence de synchronisation) s'ils exécutaient des simulations parallèles, en utilisant le raisonnement hiérarchique seul, un raisonnement contrefactuel seul ou des combinaisons des deux stratégies de raisonnement.
Les chercheurs ont comparé les performances des sujets aux prédictions des modèles et ont constaté que pour chaque sujet, leurs performances étaient le plus étroitement associées à un modèle qui utilisait le raisonnement hiérarchique mais était parfois passé au raisonnement contrefactuel.
Cela suggère qu'au lieu de suivre tous les chemins possibles que la balle pourrait emprunter, les gens ont rompu la tâche. Tout d'abord, ils ont choisi la direction (à gauche ou à droite), dans laquelle ils pensaient que le ballon avait tourné à la première jonction, et a continué à suivre le ballon alors qu'il se dirigeait vers le tour suivant. Si le moment du son suivant qu'ils entendaient n'était pas compatible avec le chemin qu'ils avaient choisi, ils reviendraient et réviseraient leur première prédiction – mais seulement une partie du temps.
Le retour de l'autre côté, ce qui représente un passage au raisonnement contrefactuel, oblige les gens à revoir leur mémoire des tons qu'ils ont entendus. Cependant, il s'avère que ces souvenirs ne sont pas toujours fiables, et les chercheurs ont constaté que les gens décidaient de revenir ou non en fonction de la qualité de leur mémoire.
« Les gens comptent sur des contrefactuels dans la mesure où cela est utile », explique Jazayeri. « Les gens qui subissent une grande perte de performance lorsqu'ils font des contrefactuels évitent de les faire. Mais si vous êtes quelqu'un qui est vraiment doué pour récupérer les informations du passé récent, vous pouvez revenir de l'autre côté. »
Limitations humaines
Pour valider davantage leurs résultats, les chercheurs ont créé un réseau de neurones d'apprentissage automatique et l'ont formé pour terminer la tâche. Un modèle d'apprentissage en machine formé sur cette tâche suivra avec précision le chemin de la balle et fera la prédiction correcte à chaque fois, à moins que les chercheurs ne imposent des limites à ses performances.
Lorsque les chercheurs ont ajouté des limitations cognitives similaires à celles confrontées par les humains, ils ont constaté que le modèle modifiait ses stratégies. Lorsqu'ils ont éliminé la capacité du modèle à suivre toutes les trajectoires possibles, il a commencé à employer des stratégies hiérarchiques et contrefactuelles comme les humains. Si les chercheurs réduisaient la capacité de rappel de la mémoire du modèle, il a commencé à passer à la hiérarchique que s'il pensait que son rappel serait assez bon pour obtenir la bonne réponse – tout comme les humains.
« Ce que nous avons trouvé, c'est que les réseaux imitent le comportement humain lorsque nous leur imposons ces contraintes de calcul que nous avons trouvées dans le comportement humain », explique Jazayeri. « Cela dit vraiment que les humains agissent rationnellement sous les contraintes dans lesquelles ils doivent fonctionner. »
En variant légèrement la quantité de troubles de la mémoire programmée dans les modèles, les chercheurs ont également vu des indices que la commutation des stratégies semble se produire progressivement, plutôt qu'à un point de coupure distinct. Ils effectuent maintenant d'autres études pour essayer de déterminer ce qui se passe dans le cerveau à mesure que ces changements de stratégie se produisent.
La recherche a été financée par une bourse d'icône Lisa K. Yang, une bourse d'étudiants de l'Institut McGovern, une bourse de recherche diplômée de la National Science Foundation, la Simons Foundation, le Howard Hughes Medical Institute et le McGovern Institute.
