Chapitre 2 : La prise de décision Flashcards Preview

L3 Raisonnement et Prise de décision > Chapitre 2 : La prise de décision > Flashcards

Flashcards in Chapitre 2 : La prise de décision Deck (24)
Loading flashcards...
1

Définition prise de décision ?

La prise de décision peut être définie comme un choix parmi plusieurs options. Elle est le résultat d’un ensemble de processus qu’il convient de distinguer (Weber et Johnson, 2009). Prendre une décision nécessite en effet de pouvoir évaluer les différentes alternatives, de s’en faire une opinion. Elle peut dans certains cas faire suite à un diagnostic dont la prise de décision constituera le but ultime.

2

Que suppose le choix entre plusieurs options ?

Choisir entre plusieurs options suppose de hiérarchiser les options et donc d’émettre un jugement sur l’intérêt de chacune d’elles. Un critère d’utilité est nécessaire ; par exemple, choisir la situation la plus avantageuse ou prendre celle qui fait courir le moins de risque. A l’instar de l’étude du raisonnement qui a été abordée par comparaison à un modèle, celui de la logique formelle, l’étude de la prise de décision a bénéficié d’un modèle issu des mathématiques, en particulier du calcul des probabilités et de son application en économie notamment par le calcul de l’espérance de gain.

3

Expliquer la notion d'utilité espérée de Bernouili.

La notion d’utilité espérée (EU pour expected utility) qui est le rapport entre le gain et la fortune d’un individu. Dans le cas des événements incertains, l’utilité espérée doit être pondérée par la probabilité de l’événement. Cela revient à calculer l’utilité espérée en faisant le produit de l’utilité par la probabilité de l’événement. La probabilité d’un événement est simplement sa fréquence dans un ensemble d’événements observables ou à défaut observés. Ainsi pour le lancement d’un dé, la probabilité d’obtenir un 6 en un lancer est de 1/6. La probabilité d’avoir deux fois le six au cours de deux lancers est de 1/62 puisque nous avons 6 possibles au premier lancer et 6 autres au second. Nous avons donc 36 combinaisons de lancers possibles dont une seule correspond à l’événement attendu.

4

A quoi correspond l'utilité espérée subjective ?

Dans les situations où les ensembles des cas favorables et des événements possibles sont connus à l’avance, cette probabilité est extrinsèque à l’individu et peut donc être qualifiée d’objective. Cependant, dans la vie quotidienne, cette probabilité est surtout le reflet d’une incertitude ou d’un degré de croyance. C’est pourquoi la notion d’utilité espérée a progressivement laissé la place à la notion d’utilité subjectivement espérée (subjectively expected utility ou SEU).

5

3 difficultés des SEU ?

Le calcul des SEU était vu comme un modèle possible de la décision humaine (Edwards, 1954) mais il pose un certain nombre de difficultés.
- La première est que la relation linéaire posée entre les probabilités et l’utilité ne semble pas aller de soi. D’autres modèles peuvent être imaginés (Camerer et Ho, 1994).
- Par ailleurs, des études ont montré une grande variabilité interindividuelle pour l’estimation des probabilités. Par exemple, certains sujets, plutôt optimistes, jugent les événements plus probables si l’issue est bénéfique, d’autres prêtent une probabilité plus importante aux événements défavorables (Hey, 1984). Les individus préfèrent en général les situations symétriques (Edwards, 1954). Ainsi un jeu dans lequel on a une chance sur deux de gagner 10 euros est souvent préféré à un jeu où on a une chance sur 5 de gagner 20 euros et quatre chances sur 5 de perdre 20. Ces deux situations présentent pourtant des utilités espérées égales. On a en effet :
 Situation 1 : (0.5*10) + (0.5*-10) = 0  Situation 2 : (0.2*20) + (0.8*-5) = 0
Enfin le modèle, même construit sur des paramètres élaborés à partir des données des sujets, semble meilleur que les estimations des sujets eux-mêmes. Ainsi Dawes (1971) a étudié l’évaluation des étudiants par les comités d’admission à l’université de l’Oregon. En appliquant des analyses de régression linéaire multiple, il a pu évaluer le poids de différents paramètres entrant dans la décision et ainsi élaborer un modèle permettant de prédire à partir de ce paramètres les évaluations ultérieures. Paradoxalement, l’estimation faite par le modèle s’avère plus prédictive des évaluations ultérieures que les estimations des évaluateurs eux-mêmes, alors que le modèle est construit à partir de leur comportement. Ce phénomène est appelé boostrapping. Une des explications souligne la difficulté pour le décideur à évaluer correctement les différents paramètres dans chacune des situations individuelles, l’autre explication porte sur la variabilité de l’efficience des décideurs (Camerer et Ho, 1994).

6

A quoi correspond la stratégie langagière ?

Celle-ci consiste à étudier les relations entre les termes langagiers et les équivalents numériques.

7

Postulat de la méthode des loteries équivalentes ?

Dans cette approche, on postule qu’une décision complexe est décomposable en une série de décisions simples qu’on peut assimiler à un tirage dans une urne contenant des boules blanches et noires (Raiffa, 1968). Si l’on compare le tirage dans deux urnes (les loteries), l’incertitude sur le contenu des urnes est la probabilité d’avoir une boule d’une couleur particulière telle que le choix entre les deux urnes est indifférent. On peut simplifier le problème en rendant une des deux issues incertaines.

8

Principe des règles de score ?

Dans cette méthode, on part du principe que l’évaluation numérique de l’incertitude est imprécise. Pour approcher la mesure vraie de l’incertitude, il faut « corriger » la probabilité subjective. Pour cela, on applique une transformation mathématique plus ou moins complexe à la probabilité subjective exprimée.

9

Expliquer la règle de score de Brier.

Cet auteur a proposé de prendre, pour n estimations, la moyenne quadratique des écarts entre l’occurrence d’un événement dichotomique (0 ou 1) et l’estimation de sa probabilité par le sujet.
L’utilisation de ce type de règles permet de limiter les incohérences résultant de l’évaluation subjective des probabilités, en particulier avec la loi de probabilités (De Finetti, 1975) mais elle accorde une place marginale aux processus cognitifs (Hogarth, 1975). Elle a été appliquée entre autres à la décision médicale (Gerds, Cai et Schumacher, 2008).

10

Expliquer la calibration des probabilités.

Dans cette approche, la probabilité subjective est conçue comme une estimation de la probabilité objective. Celle-ci est imparfaite en raison de la variabilité des observations et de la variabilité des circonstances dans lesquelles elles sont faites. On présuppose qu’en répétant l’observation un grand nombre de fois, la probabilité subjective s’alignera sur la probabilité objective. Le sujet est alors dit « calibré ».

11

Procédure de la calibration des probabilités ?

La procédure consiste à demander aux sujets d’évaluer la confiance qu’ils accordent à une affirmation sur une échelle. Le questionnement est répété pour un grand nombre d’affirmations et de nombreux sujets. On reporte ensuite les moyennes des évaluations sur un graphique croisant les fréquences relatives réelles (probabilités objectives) et la moyenne des probabilités subjectives exprimées. On parlera de sous-confiance lorsque la probabilité exprimée est inférieure à la probabilité réelle et de sur-confiance dans le cas inverse.

12

Que sont les heuristiques de jugement ?

Selon Kahneman et Tversky (1974), l’estimation de la fréquence par les sujets ne se fait pas par un calcul des probabilités et la décision ne découle pas d’une comparaison des utilités mathématiques des différentes options. Ces auteurs proposent que la décision soit fondée sur l’utilisation d’heuristiques. Nous avons déjà rencontré cette notion dans l’étude des processus de raisonnement et de résolution de problèmes. L’usage qui en est fait par ces auteurs n’est pas différent. Il s’agit encore de règles générales qui vont guider le processus de traitement de l’information pour produire une réponse, dans ce cas un jugement et une prise de décision.

13

Définir l'heuristique ancrage-ajustement.

Cette heuristique consiste à fonder son jugement à partir d’une valeur particulière (ancre) et à ajuster la valeur de l’ancre pour faire un jugement sur un objet particulier. La valeur qui sert d’ancre peut être présente dans la situation ou donnée au sujet. L’ancre peut aussi résulter d’une évaluation approximative.

14

Expliquer l'heuristique de disponibilité.

Nous pouvons évaluer une probabilité en ayant recours à nos connaissances. C’est ce qu’on appelle l’heuristique de disponibilité. Dans ce cas, l’estimation de la fréquence d’un événement est biaisée par la facilité avec laquelle on peut trouver des exemples en mémoire. Une expérience particulièrement illustrative consiste à faire évaluer à des sujets la fréquence avec laquelle les lettres R, L, K, N ou V apparaissent en première ou en troisième position dans les mots anglais. La majorité des sujets estiment que ces cinq lettres apparaissent plus fréquemment en première position. Dans la réalité, les études statistiques sur le lexique anglais montrent que ces lettres apparaissent plus fréquemment en troisième position dans les mots. Mais il est plus facile de chercher un mot en mémoire à partir de son initiale que de chercher un mot présentant une lettre particulière en troisième position.

15

Expliquer le biais d'imaginabilité.

Une telle estimation peut aussi être affectée par le nombre de scénarios envisageables. C’est le biais d’imaginabilité. Celui-ci a été mis en évidence par une petite tâche expérimentale qui consiste à imaginer le nombre de groupes d’individus qu’on peut constituer avec 10 personnes (pour une taille de groupes variant de 2 et 8). La réponse nécessite de calculer le
nombre de combinaisons (10; n) . Comme on peut s’y attendre, plus la taille de groupes n
augmente, plus il est difficile de répondre (Tversky et Kahneman, 1973), alors qu’on a autant de groupes de 2 que de groupes de 8, soit 45 dans les deux cas.

16

Pourquoi les corrélations illusoires constituent-elles un biais lié à l'heuristique de disponibilité ?

Les corrélations illusoires, que nous avons déjà évoquées dans le raisonnement causal, constituent un autre biais lié à l’heuristique de disponibilité dans la mesure où elles donnent au sujet une vision erronée des covariations et donc des probabilités composées (Chapman et Chapman, 1967).

17

La théorie fonctionnelle de la cognition postule un traitement séquentiel des information en 3 étapes, lesquelles ?

- valuation
- intégration
- réponse

18

Dans la théorie fonctionnelle de la cognition, quelles sont les principales règles ?

- la règle additive
- la règle disjonctive
- la règle conjonctive
- la règle de moyennage

19

Qu'est-ce que la modèle de Rasmussen ?

Un modèle élaboré en ergonomie pour rendre compte des processus de gestion d'environnement dynamiques

Il cherche à rendre compte de l'ensemble des processus qui vont de la prise d'information à la formulation d'hypothèses

20

Pour Rasmussen, 1986, 3 niveaux de contrôle doivent être distingués :

- un niveau de contrôle par les automatismes déclenchés par la détection de signaux ou d'indices dans la situation : coût cognitif faible

- un niveau de contrôle par les règles qui correspond à l'application de schémas ou d'heuristiques : cout cognitif modéré

- un niveau de contrôle basé sur les connaissances : coût cognitif important

21

Qu'est-ce que la méthode des loteries équivalentes ?

C’est une méthode d’évaluation des probabilités subjectives par égalisation de l’utilité de deux options

22

L’heuristique de représentativité consiste à baser son jugement…

Sur la ressemblance avec des occurrences similaires

23

Dans la théorie fonctionnelle de la décision, le modèle d’intégration des données se traduit par une configuration graphique particulière des résultats. Dans le cas d’une règle conjonctive , les courbes ont quelle forme ?

Un écart plus important à droite

24

Les tenants de l’approche bayésienne soulignent le parallélisme entre les processus cognitif et la formule de Bayes. Comment cela se traduit-il ?

- La vraisemblance représente l’informativité de la situation
- La prise de décision repose sur une maximisation de la vraisemblance
- La probabilité a priori est assimilable aux connaissances du sujet