Références
■ Daniel Kahneman et Amos Tversky
Théorie des perspectives : analyse de la décision face au risque
■ Angela J. Yu and Peter Dayan
Incertitude, Neuromodulation, et Attention
■ Ming Hsu, Meghana Bhatt, Ralph Adolphs, Daniel Tranel, Colin F. Camerer
Réponse des systèmes neuronaux aux degrés d'incertitude dans la prise de décision humaine
Christian Schmidt
Professeur à l'Université Paris-Dauphine
Les contributions des neurosciences à l'analyse des risques sont très récentes. Elles se sont développées depuis le début des années 2000, grâce principalement aux techniques d'imagerie cérébrale, de plus en plus perfectionnées (IRM, PET...). Les résultats qu'elles ont permis de mettre en évidence ont été obtenus en confrontant de manière systématique les expériences de laboratoire avec l'exploration cérébrale des sujets soumis à ces expériences.
Ces recherches de neuroéconomie s'inscrivent dans le prolongement direct et naturel des travaux de Kahneman et Tversky (1979) qui ont renouvelé la théorie des choix risqués. C'est la raison pour laquelle nous reproduirons, en guise d'introduction, les passages les plus significatifs de leur article fondateur consacré à la « Prospect Theory » publié dans Econometrica en 1979. Selon ces deux auteurs, la perception du risque par les individus suppose une sélection préalable des informations. Son évaluation s'effectue à partir d'un point de référence subjectif. Au lieu, par conséquent, d'estimer des états, les individus raisonnent sur des gains et sur des pertes attendus. L'appréhension des gains espérés et celle des pertes redoutées, ainsi définie, n'est pas symétrique. Nous préférons, le plus souvent, des gains presque certains et des pertes très incertaines. Quant aux probabilités qui leur sont associées, elles ne sont pas traitées par les individus de manière linéaire. Une tendance forte porte les agents à surestimer les petites probabilités et à sous-estimer les plus grandes probabilités. L'ensemble de cette construction repose sur un très grand nombre d'expériences comportementales. Mais, pour expliquer les comportements ainsi observés, il faut remonter plus haut, c'est-à-dire au niveau cérébral, où s'organisent ces comportements.
Le schéma général de la « Prospect Theory » s'est trouvé globalement validé au niveau des activités neuronales. Plusieurs équipes de chercheurs interdisciplinaires se sont attachées, au cours des dix dernières années, à en étendre et en approfondir les enseignements, en précisant leurs implications neuronales. Elles ont permis de mettre en évidence les différentes zones du cerveau qui se trouvent activées, et d'esquisser la compréhension de leurs modalités de fonctionnement. Trois résultats importants ont ainsi pu être dégagés, qui constituent des avancées majeures dans notre compréhension de la manière dont le cerveau réagit face au risque. Ils concernent, respectivement, la distinction entre l'incertitude « attendue » et l'incertitude « inattendue », les bases neuronales de la prise de risque en matière financière, le traitement différencié du risque et de l'ambiguïté.
Certains d'entre eux prolongent l'analyse économique du risque ; d'autres remettent en cause plusieurs des hypothèses sur lesquelles elle repose ; d'autres, enfin, ouvrent de nouvelles perspectives et suggèrent d'intéressantes pistes de recherche (Schmidt, 2010). Les extraits d'articles scientifiques qui ont été sélectionnés illustrent les contributions des neurosciences à l'intelligence de chacune de ces questions.
L'article de Yu et Dayan (2005) identifie deux mécanismes neuronaux distincts qui interviennent lorsque le sujet se trouve en situation d'incertitude, selon que cette incertitude renvoie à un environnement antérieurement connu de lui, ou, au contraire, tout à fait inconnu.
« Toute source d'informations peut être associée à une incertitude susceptible d'être décrite comme étant attendue ou inattendue, du point de vue de l'individu. L'incertitude attendue provient d'une non-fiabilité des relations prédictives dans un environnement familier ; l'incertitude inattendue est la conséquence d'importants changements dans l'environnement qui produisent des observations sensorielles en désaccord radical avec les attentes « top-down ».
Par exemple, la décision « simple » d'emporter ou non un parapluie le matin nécessite de prendre méticuleusement en compte différentes sources d'informations potentiellement conflictuelles, telles que les prévisions du centre météorologique et l'existence de nuages menaçants. Pour un individu qui regarde régulièrement les prévisions météorologiques, la chance du type d'erreur de prévision constitue une forme d' « incertitude attendue » ; tandis qu'une baisse substantielle de la fiabilité des prévisions, peut-être due à l'arrivée de l'ouragan El Niño, provoquerait une « incertitude inattendue » et encouragerait potentiellement l'observateur à baser les prévisions météorologiques sur d'autres sources d'informations. »
Cet article montre que ces deux systèmes sont régis par des neurotransmetteurs différents qui régulent notre traitement de l'information : « La proposition présentée dans cet article consiste à dire que les neuromodulateurs, acétylcholine et norépinephrine, jouent un rôle majeur dans l'exécution par le cerveau des calculs liés à l'incertitude. L'acétylcholine signale l'incertitude attendue, provenant de la non-fiabilité connue de signaux prédictifs dans un certain contexte. La norépinephrine signale l'incertitude inattendue, comme lorsque des changements de contexte non signalés produisent des observations complètement inattendues. Ces signaux interagissent pour permettre des apprentissages et inférences optimales dans des environnements instables et affectés par des « bruits » (« noisy »). [...]
Que devrions-nous attendre de la réalisation neuronale des signaux des incertitudes attendue et inattendue ? Premièrement, ces deux sortes d'incertitude devraient avoir pour effet de supprimer les informations basées sur les attentes « top-down », par rapport aux signaux de source sensorielle « bottom-up », ainsi que d'encourager l'apprentissage du contexte. Deuxièmement, elles devraient être impliquées de manière sélective dans les tâches impliquant seulement l'une des deux formes d'incertitude. »
Cette contribution explique comment leur modalité de fonctionnement peut, selon les circonstances, aboutir à une synergie, ou se révéler partiellement antagonistes, avec leurs conséquences sur les comportements : « De plus, le modèle suggère l'existence d'une classe de tâches donnant des signaux attentionnels qui impliquent ces deux neuromodulateurs et montrent comment leurs interactions peuvent être partiellement antagonistes, et partiellement synergétiques ».
Elle suggère, en conclusion, de réexaminer, avec de nouveaux outils, le mécanisme de la surprise ; une proposition déjà énoncée par l'économiste britannique Shackle (1949), au début des années 1950. Ses intuitions peuvent aujourd'hui être développées sur une base neuronale, grâce aux contributions des neurosciences.
L'article de Kuhnen et Knutson (2005) met en évidence les moteurs cérébraux qui guident les choix financiers risqués, en distinguant, au niveau neuronal, la formation des anticipations de gains et de pertes monétaires. Il fait d'abord le point sur l'état d'avancement des recherches dans ce domaine :
« Plusieurs travaux d'imagerie du cerveau humain impliquent que l'émotion suscitée par l'anticipation d'un gain ou d'une perte pourrait se caractériser par des signatures neuronales distinctes. En particulier, le nucleus accumbens (NAcc) du striatum ventral montre une activation proportionnelle pendant l'anticipation des gains monétaires (Breiter et al., 2001 ; Knutson et al., 2001), et cette activation est liée à une émotion stimulée positive (Bjork et al., 2004 ; Knutson et al., 2005 ; Martinez et al., 2003). Les marqueurs neuronaux de l'émotion négative d'anticipation n'ont pas été aussi clairement identifiés, mais l'insula antérieure fournit un substrat potentiel pour un certain nombre de raisons. Premièrement, les études d'imagerie du cerveau ont systématiquement montré une activation de l'insula antérieure en présence d'une anticipation de souffrance physique, en corrélation avec un état d'anxiété auto-déclaré (Buchel and Dolan, 2000 ; Chua et al., 1999 ; Ploghaus et al., 1999).
Deuxièmement, l'insula antérieure affiche une certaine activation lorsque des stimuli visuels négatifs sont anticipés (Simmons et al., 2004). Troisièmement, l'insula antérieure est activée pendant des choix risqués dans des jeux impliquant des primes non-monétaires, ce qui traduit une aversion au risque ultérieure et des mesures caractéristiques de l'émotion stimulée négative (Paulus et al., 2003). Bien que l'insula antérieure soit également sensible aux demandes liées à l'attention et à d'autres éléments (Phan et al., 2003), une étude récente suggère que l'activation de cette région est plus habituelle dans un contexte émotionnel négatif que positif (Wager et al., 2003). »
L'approche privilégiée par ces auteurs permet de dégager ensuite l'origine neuronale des erreurs de décision, imputables à une attraction des gains anticipés, ou, au contraire, à une aversion aux pertes attendues : « Les investisseurs dévient systématiquement de la rationalité lors de la prise de décisions financières. Pourtant, les mécanismes responsables de cette déviation n'ont pas été identifiés. En utilisant l'imagerie par résonance magnétique fonctionnelle (IRMf), nous avons étudié la question de savoir si l'activité neuronale d'anticipation pourrait prédire des choix optimaux et sous-optimaux lors d'une prise de décision financière. Nous avons caractérisé deux types de déviation par rapport à la stratégie d'investissement optimale d'un agent rationnel qui serait neutre aux risques, les erreurs liées à la recherche du risque et les erreurs liées à l'aversion au risque. L'activation du nucleus accumbens (NAcc) a précédé les choix risqués, ainsi que les erreurs liées à la recherche du risque, alors que l'activation de l'insula antérieure a précédé les choix sans risque, ainsi que les erreurs liées à l'aversion au risque. Ces conclusions suggèrent que des circuits neuronaux distincts liés à une émotion d'anticipation conduisent à différents types de choix financiers et indiquent que l'activation excessive de ces circuits peut entraîner des erreurs d'investissement. Ainsi, la prise en compte des mécanismes neuronaux d'anticipation peut accroître le pouvoir prédictif du modèle de prise de décision économique de l'agent rationnel. » Il apparaît, dès lors, que le choix optimal, au sens de la théorie économique classique, ne peut être que l'aboutissement d'un équilibre subtil entre des processus mentaux qui jouent en sens inverse : « Au-delà de la contribution au choix rationnel, l'activité neuronale d'anticipation pourrait également mettre en avant des choix irrationnels. Ainsi, la prise de décisions financières pourrait exiger une équilibre délicat – le recours à certains circuits pourrait être nécessaire pour prendre ou éviter des risques –, mais une activation excessive d'un mécanisme ou d'un autre pourrait entraîner des erreurs. » Cette conclusion débouche notamment sur une explication neuronale des retournements de comportement, souvent brutaux, observés chez certains opérateurs de marché. Elle offre, de ce fait, d'intéressantes perspectives pour comprendre certaines anomalies qui ont pu être observées dans une époque récente sur les marchés financiers.
L'article de Hsu Bhatt, Adolphs, Tranel et Camerer (2005) révèle que le risque et l'ambiguïté font intervenir des modalités différentes du travail cérébral : « On en sait assez sur la façon dont les gens prennent des décisions en fonction des différents niveaux de probabilité (risque). On en sait moins sur le fondement neuronal de la prise de décision, lorsque les probabilités sont incertaines en raison du manque d'information (ambiguïté). Dans la théorie de la décision, l'ambiguïté concernant les probabilités ne devrait pas affecter les choix. En utilisant l'imagerie fonctionnelle du cerveau, nous montrons dans cet article que le niveau d'ambiguïté des choix est corrélé positivement avec l'activation de l'amygdale et du cortex orbitofrontal (COF), et négativement avec le système striatal. De plus, l'activité striatale est corrélée positivement avec un bénéfice attendu. »
Cette investigation convie les économistes à un retour sur les catégories qui ont été précédemment dégagées par F. Knight (1921), puis développées et élargies, notamment par Ellsberg dans son article (1963), « L'incertitude, le risque l'ambiguïté ». Elle propose de les réinterpréter à la lumière des nouvelles données fournies par l'imagerie et suggère l'idée d'une échelle cérébrale de gradation de l'incertitude, en fonction des activations observées : « Avec les données de l'imagerie par résonance magnétique fonctionnelle (IRMf), ces données suggèrent un système neuronal pour l'évaluation de l'incertitude générale. On sait que l'amygdale et le cortex orbitofrontal (COF) reçoivent des données sensorielles multimodales rapides ; ils sont tous deux connectés de manière bidirectionnelle et nous savons qu'ils fonctionnent ensemble dans l'évaluation des stimuli ; et tous deux sont probablement impliqués dans la détection des stimuli pertinents et essentiels de la valeur incertaine. Cette dernière fonction a été théorisée, en particulier pour l'amygdale. Une telle fonction fournit également un signal lié au bénéfice qui peut motiver les comportements, en raison des connexions connues entre l'amygdale, le COF et le striatum. Bien que le circuit soit évalué ici dans le contexte d'une expérience neuroéconomique, nous croyons qu'il peut être utilisé pour certains aspects généraux portant sur la question de savoir comment les organismes explorent leur environnement : en situation d'incertitude, le cerveau est alerté par le fait que des informations sont manquantes, que les choix basés sur l'information disponible comportent donc davantage de conséquences inconnues (et potentiellement dangereuses), et que des ressources cognitives et comportementales doivent être mobilisées afin d'aller chercher des informations supplémentaires dans l'environnement. [...]
Pour les neuroscientifiques, ces résultats introduisent le concept important des degrés variables d'incertitude qui manquait à nos études précédentes sur la prise de décision et le bénéfice. Plus généralement, cette étude montre l'intérêt de combiner les idées et les outils des sciences sociales et biologiques. »
D'autres investigations révèlent les différences de traitement du cerveau face à l'ambiguïté et face au risque. Par-delà certaines divergences d'interprétation, tous ces travaux mettent en évidence ce qui distingue, au niveau cérébral, l'appréhension des situations ambiguës par rapport aux situations risquées. Elles rejoignent de ce fait plusieurs résultats récents obtenus par la modélisation mathématique de l'ambiguïté (Ghirardato et Marinacci, 2002 ; Ghirardato, Maccheroni et Marinacci, 2004 et contribuent à expliquer les différences entre l'aversion au risque et l'aversion à l'ambiguïté.
Ces travaux sont à leur début et la signification des résultats rapportés dans ces articles doivent encore attendre d'être confirmés. Ils ne peuvent donc pas être considérés de la même manière que les contributions confirmées qui ont été recueillies dans ce numéro. Mais l'étendue des perspectives ouvertes par le chantier des neurosciences permet, sans conteste, de faire avancer la compréhension de ce que nous entendons par « risque », justifiant ainsi leur place à leur côté. Gageons que l'univers du risque s'en trouvera prochainement enrichi.
Cet article apporte une critique de la théorie de l'utilité espérée comme modèle descriptif de la prise de décision face au risque, et développe un modèle alternatif, appelé théorie des perspectives. Les choix parmi les perspectives risquées ont des conséquences générales importantes, en désaccord avec les principes de base de la théorie de l'utilité. En particulier, les gens sous-pondèrent les résultats simplement probables par rapport aux résultats obtenus avec certitude. Cette tendance, appelée effet de certitude, contribue à l'aversion pour le risque quand il s'agit de faire des choix qui entraînent des gains sûrs, et à la prise de risque quand il s'agit de faire des choix qui entraînent des pertes sûres. Par ailleurs, les gens écartent généralement les composants communs à toutes les perspectives étudiées. Cette tendance, appelée effet d'isolation, entraîne des préférences incompatibles quand le même choix est présentée sous différentes formes. Une théorie des choix alternative est développée, où une valeur est attribuée aux gains et aux pertes plutôt qu'aux actifs finaux et où les probabilités sont remplacées par des poids liés aux décisions. La fonction de la valeur est généralement concave pour les gains, généralement convexe pour les pertes, et généralement plus pentue pour les pertes que pour les gains. Les poids liés aux décisions sont généralement inférieurs aux probabilités correspondantes, sauf dans la tranche des probabilités faibles. La surpondération des probabilités faibles peut contribuer à l'attractivité de l'assurance et des paris sur le hasard.
La théorie de l'utilité espérée a dominé l'analyse de la prise de décision face au risque. Elle est généralement reconnue comme modèle normatif du choix rationnel [24], et généralement appliquée comme modèle descriptif du comportement économique, [15,4] par exemple. Aussi, nous supposons que toute personne raisonnable aimerait respecter les axiomes de la théorie [47, 36] et que la plupart des gens les respecte, le plus souvent.
Cet article décrit plusieurs catégories de problèmes de choix où les préférences enfreignent systématiquement les axiomes de la théorie de l'utilité espérée. À la lumière de ces observations, nous pensons que la théorie de l'utilité, dans son interprétation et son application courante, n'est pas un modèle descriptif adéquat, et nous proposons une approche alternative du choix face au risque.
La prise de décision face au risque peut être considérée comme un choix entre perspectives et paris. Une perspective (x1, p1 ; ..., xn, pn) est un contrat qui produit le résultat xi avec une probabilité pi où p1 + p2 +...+ pn = 1. Afin de simplifier la notation, nous omettons les résultats nuls et utilisons (x, p) afin d'indiquer la perspective (x, p ; 0, 1 – p) qui produit x avec une probabilité p et 0 avec une probabilité 1 – p. La perspective (sans risque) qui produit x avec certitude est indiquée par (x). La présente discussion se limite aux perspectives qui ont des probabilités objectives ou standard.
L'application de la théorie de l'utilité espérée aux choix entre des perspectives repose sur les trois principes suivants.
(i) Espérance :
U(x1, p1 ; ... ; xn, pn) = p1u (x1) + ...+ pnu(xn).
Ainsi, l'utilité générale d'une perspective, indiquée par U, est l'utilité espérée de ses résultats.
(ii) Intégration des actifs : (x1, p1 ; ... ; xn, pn) est acceptable comme position d'actif w si
U (w + x1, p1 ; ... ; w + xn, pn) > u(w).
En d'autres termes, une perspective est acceptable si l'utilité issue de l'intégration de la perspective des actifs d'un individu dépasse l'utilité de ces actifs seuls. Ainsi, le domaine de la fonction d'utilité est la situation finale (qui comporte la position des actifs d'un individu) plutôt que des gains ou des pertes.
Bien que le domaine de la fonction d'utilité ne se limite pas à une catégorie particulière de conséquences, la plupart des applications de la théorie se sont préoccupées des résultats monétaires. En outre, la plupart des applications économiques introduisent l'hypothèse supplémentaire suivante.
(iii) Aversion pour le risque : u est concave (u" < 0).
Une personne est averse au risque si elle préfère la perspective certaine (x) à toute perspective risquée dont la valeur espérée est x. Dans la théorie de l'utilité espérée, l'aversion pour le risque est équivalente à la concavité de la fonction d'utilité. La prédominance de l'aversion pour le risque est peut-être la généralisation la plus connue des choix risqués. Ceci a conduit les premiers théoriciens de la décision du dix-huitième siècle à proposer que l'utilité soit une fonction concave de l'argent, et cette idée a été retenue dans les traitements modernes (Pratt [33], Arrow [4]).
Dans les sections suivantes, nous démontrons plusieurs phénomènes qui enfreignent ces principes de la théorie de l'utilité espérée. Les démonstrations reposent sur les réponses d'étudiants et d'universitaires aux problèmes de choix hypothétique. Nous avons présenté aux personnes interrogées des problèmes du type de celui présenté ci-dessous.
Parmi les affirmations suivantes, laquelle préférez-vous ?
A. 50 % de chances de gagner 1000
50 % de chances de ne rien gagner.
B. 450 garantis.
Les résultats portent sur la devise israélienne. Afin d'apprécier l'importance des montants concernés, il convient de noter que le revenu mensuel net moyen d'une famille est d'environ 3000 livres israéliennes. Les personnes interrogées ont été invitées à se projeter dans la situation décrite dans le problème, et d'indiquer la décision qu'elles auraient prise dans un tel cas. Les réponses étaient anonymes, et les instructions stipulaient qu'il n'y avait pas de réponse « correcte » à ces problèmes, et que l'objectif de l'étude était de connaître le choix que feraient des personnes entre diverses perspectives risquées. Les problèmes ont été présentés sous la forme de questionnaires, avec un maximum d'une douzaine de problèmes par livret. Plusieurs versions de chaque questionnaire ont été élaborées, afin que les sujets soient exposés aux problèmes dans des ordres différents. De plus, deux versions de chaque problème ont été utilisées, où la position gauche-droite des perspectives a été inversée.
Les problèmes décrits dans le présent article correspondent à certaines illustrations d'une série d'effets. Chaque effet a été observé dans plusieurs problèmes avec différents résultats et différentes probabilités. Certains problèmes ont également été présentés à des groupes d'étudiants et d'universitaires de l'Université de Stockholm et de l'Université du Michigan. La structure des résultats est essentiellement identique aux résultats obtenus auprès de sujets israéliens.
Le recours aux choix hypothétiques soulève des questions évidentes sur la validité de la méthode et le caractère généralisable des résultats. Nous avons conscience de ces problèmes.
En revanche, toutes les autres méthodes utilisées pour tester la théorie de l'utilité présentent également d'importants inconvénients. Les choix réels peuvent être testés sur le terrain, au moyen d'observations naturalistes ou statistiques du comportement économique, ou en laboratoire. Les études de terrain servent seulement de tests bruts des prévisions qualitatives, car les probabilités et les utilités ne peuvent pas être mesurées convenablement dans de tels contextes. Les expériences en laboratoire ont été effectuées pour obtenir des mesures précises de l'utilité et de la probabilité des choix réels, mais ces études expérimentales comportent généralement des paris arrangés pour de petites mises, et un grand nombre de répétitions de problèmes très similaires. Ces caractéristiques de jeu de hasard en laboratoire compliquent l'interprétation des résultats et limitent leur caractère général.
Par défaut, la méthode des choix hypothétiques s'avère être la procédure la plus simple qui permet d'analyser un grand nombre de questions théoriques. L'utilisation de la méthode repose sur l'hypothèse selon laquelle les gens savent souvent comment se comporter dans des situations réelles de choix, et sur l'autre hypothèse selon laquelle les sujets n'ont pas de raison particulière à cacher leurs préférences véritables.
Si les gens prédisent suffisamment précisément leurs choix, l'existence de violations communes et systématiques de la théorie de l'utilité espérée dans le cadre de problèmes hypothétiques apporte des preuves présumées à l'encontre de cette théorie.
La discussion précédente a permis d'examiner plusieurs effets empiriques qui semblent invalider la théorie de l'utilité espérée comme modèle descriptif. Le reste de cet article présente une approche alternative de la prise de décision individuelle face au risque, appelée théorie des perspectives. Cette théorie est développée pour des perspectives simples, avec des résultats monétaires et des probabilités définies, mais elle peut être généralisée à d'autres types de choix induits. La théorie des perspectives distingue deux phases dans le processus de choix : une phase précoce d'édition et une phase ultérieure d'évaluation. La phase d'édition consiste en une analyse préliminaire des perspectives offertes, qui fournit souvent une représentation simplifiée de ces perspectives. Dans la seconde phase, les perspectives éditées sont évaluées et la perspective dont la valeur est la plus élevée est choisie. Nous décrivons ensuite la phase d'édition, et développons un modèle formel applicable à la phase d'évaluation.
L'objectif de la phase d'édition est d'organiser et de reformuler les options afin de simplifier l'évaluation et le choix ultérieurs. L'édition correspond à l'application de plusieurs opérations qui transforment les résultats et les probabilités associés aux perspectives offertes. Les principales opérations de la phase d'édition sont décrites ci-dessous.
Codage. Les preuves abordées dans la section précédente montrent que les gens considèrent généralement les résultats comme des gains et des pertes, plutôt que comme une situation finale de richesse ou de bien-être. Les gains et les pertes sont définis bien entendu par rapport à un certain point de référence neutre. Le point de référence correspond généralement à la situation actuelle de l'actif, auquel cas les gains et les pertes coïncident avec les montants réels reçus ou payés. En revanche, la localisation du point de référence et le codage consécutif des résultats en gains ou pertes, peuvent être affectés par la formulation des perspectives offertes, et par les attentes du preneur de décision.
Combinaison. Les perspectives peuvent parfois être simplifiées en conjuguant les probabilités associées aux résultats identiques. À titre d'exemple, la perspective (200, 0,25 ; 200, 0,25) sera réduite à (200, 0,50) et évaluée sous cette forme.
Séparation. Certaines perspectives comportent un élément sans risque séparé du composant risqué lors de la phase d'édition. À titre d'exemple, les perspectives (300, 0,80 ; 200, 0,20) se décompose naturellement dans un gain garanti de 200 et la perspective risquée (100, 0,80). De même, la perspective (– 400, 0,40 ; – 100, 0,60) est considérée immédiatement comme une perte garantie de 100 et la perspective (– 300, 0,40).
Les opérations précédentes sont appliquées séparément à chaque perspective. L'opération suivante est appliquée à une série d'au moins deux perspectives.
Annulation. L'essence des effets d'isolation décrits précédemment est l'abandon des composants communs aux perspectives offertes. Ainsi, les personnes interrogées ignoraient apparemment la première étape du jeu séquentiel présenté dans le Problème 10, car cette étape était commune aux deux options, et elles évaluaient les perspectives par rapport aux résultats de la seconde étape (voir Schéma 2). De même, elles ont négligé la prime commune ajoutée aux perspectives des Problèmes 11 et 12. Un autre type d'annulation prévoit l'abandon des éléments constitutifs communs, à savoir les couples résultat/probabilité. À titre d'exemple, le choix entre (200, 0,20 ; 100, 0,50 ; – 50, 0,30) et (200, 0,20 ; 100, 0,50 ; – 100, 0,30) peut être réduit par annulation pour arriver à un choix entre (100, 0,50 ; – 50, 0,30) et (150, 0,50 ; – 100, 0,30).
Deux opérations supplémentaires qui méritent d'être mentionnées sont la simplification et la détection de la dominance. La première se réfère à la simplification des perspectives en arrondissant les probabilités ou les résultats. A titre d'exemple, la perspective (101, 0,49) est susceptible d'être recodée sous la forme d'une chance équivalente de gagner 100. Une forme particulièrement importante de simplification prévoit l'abandon des résultats extrêmement improbables. La seconde opération prévoit le scannage des perspectives offertes afin de détecter les alternatives dominées, qui sont rejetées sans nouvelle évaluation.
Parce que les opérations d'édition facilitent la prise de décision, on suppose qu'elles sont réalisées dès que possible. En revanche, certaines opérations d'édition permettent ou empêchent l'application des autres. À titre d'exemple, (500, 0,20 ; 101, 0,49) semblera dominer (500, 0,15 ; 99, 0,51) si les seconds éléments constitutifs des deux perspectives sont simplifiés à (100, 0,50). Les perspectives éditées finales peuvent par conséquent dépendre de la séquence des opérations d'édition, ce qui peut varier en fonction de la structure de la série offerte et du format d'affichage. Une étude détaillée de ce problème dépasse le périmètre de traitement actuel. Dans cet article, nous abordons les problèmes de choix quand il est raisonnable de supposer, soit, que la formulation originale des perspectives ne laisse pas de place à une nouvelle édition, soit, que les perspectives éditées peuvent être spécifiées sans ambiguïté.
De nombreuses anomalies de préférence résultent de l'édition des perspectives. À titre d'exemple, les incohérences associées à l'effet d'isolation sont le résultat de l'annulation des composants communs. Certaines intransitivités de choix sont expliquées par la simplification qui élimine les petites différences entre les perspectives (voir Tversky [43]). Plus généralement, l'ordre de préférence entre les perspectives ne doit pas varier en fonction du contexte, car la même perspective offerte peut être éditée de différentes manières en fonction du contexte.
À la suite de la phase d'édition, le décisionnaire est supposé évaluer chacune des perspectives éditées et choisir la perspective ayant la plus forte valeur. La valeur globale d'une perspective éditée, notée V, est exprimée sous la forme de deux échelles, π et v.
La première échelle π associe à chaque probabilité p une poids lié à une décision π(p), qui traduit l'impact de p sur la valeur globale de la perspective. En revanche, π n'est pas une mesure de probabilité, et il sera montré plus tard que π (p) + π (1 – p) est généralement inférieur à une unité. La seconde échelle v attribue à chaque résultat x un nombre v(x) qui traduit la valeur subjective de ce résultat. Rappelons que les résultats sont définis par rapport à un point de référence qui sert de niveau zéro de l'échelle de valeur. En conséquence, v mesure la valeur des écarts à partir de ce point de référence, à savoir les gains et les pertes.
La présente formulation s'intéresse aux perspectives simples de la forme (x, p ; y, q), qui ont au moins deux résultats différents de zéro. Dans une telle perspective, on reçoit x avec la probabilité p, y avec la probabilité q, et rien avec la probabilité 1 – p – q où p + q ≤ 1. Une perspective offerte est strictement positive si ses résultats sont tous positifs, à savoir si x, y > 0 et p + q = 1 ; elle est strictement négative si ses résultats sont tous négatifs.
L'équation de base de la théorie décrit la manière dont π et v sont combinés pour déterminer la valeur globale des perspectives régulières.
Si (x, p ; y, q) est une perspective régulière (c'est-à-dire, soit p + q < 1 ou x ≥ 0 ≥ y, ou x ≤ 0 ≤ y) alors
(1) V(x, p ; y, q) = π (p)v(x) + π (q)v(y)
Où v(0) = 0, π (0) = 0 et π (1) = 1. Comme dans la théorie de l'utilité, V se définit à partir des perspectives, tandis que v se définit à partir des résultats. Les deux échelles coïncident dans le cas des perspectives garanties, où V(x, 1,0) = V(x) = v(x).
[...]
Une caractéristique essentielle de la présente théorie est que les facteurs de valeur sont la variation de la richesse ou du bien-être plus que la situation finale. Cette hypothèse est compatible avec les principes de base de perception et de jugement. Notre dispositif percepteur est en accord avec l'évaluation des changements ou des différences plus qu'avec l'évaluation des grandeurs absolues. Quand nous réagissons à des attributs tels que la luminosité, l'intensité ou la température, le contexte passé et présent de l'expérience définit un niveau d'adaptation, ou point de référence, et les stimuli sont perçus par rapport à ce point de référence [23]. Ainsi, un objet à une température donnée peut être perçu comme chaud ou froid au toucher en fonction de la température à laquelle chacun est adapté. Le même principe s'applique aux attributs non sensoriels tels que la santé, le prestige et la richesse. Par exemple, le même niveau de richesse peut signifier pauvreté abjecte pour une personne et grande richesse pour une autre, en fonction de leurs actifs.
Il ne faut pas considérer que l'importance accordée aux changements comme facteur de valeur signifie que la valeur d'un changement particulier est indépendante de la situation initiale. À proprement parler, la valeur doit être considérée comme une fonction de deux éléments : la situation financière qui sert de point de référence, et l'ampleur du changement (positif ou négatif) par rapport à ce point de référence. L'attitude d'un individu vis-à-vis de l'argent, par exemple, peut être décrite comme un livre, où chaque page présente la fonction de la valeur des changements à une situation financière donnée. Clairement, les fonctions de la valeur décrites aux différentes pages ne sont pas identiques : elles sont susceptibles de devenir plus linéaires en cas de hausse des actifs. En revanche, l'ordre de préférence des perspectives n'est pas fortement modifié par des variations faibles, voire modérées, de la situation des actifs. À titre d'exemple, la certitude équivalente à la perspective (1000, 0,50) s'établit entre 300 et 400 pour la plupart des gens, dans un large éventail de situations d'actifs. En conséquence, la représentation de la valeur comme fonction d'un argument fournit généralement une approximation satisfaisante. [...]
En résumé, nous avons proposé que la fonction de la valeur soit (i) définie en fonction des écarts par rapport au point de référence ; (ii) généralement concave pour les gains et convexe pour les pertes ; (iii) plus pentue pour les pertes que pour les gains. Une fonction de la valeur qui satisfait à ces propriétés est présentée dans le Schéma 3. À noter que le point le plus pentu de la fonction de la valeur en forme de S proposée se situe au point de référence, contrairement à la fonction d'utilité posée comme hypothèse par Markowitz [29] qui est relativement peu pentue à cet endroit.
Reproduced with permission of the copyright owner. Further reproducing prohibited without permission.
Schéma 3 – Une fonction hypothétique de la valeur
Bien que la présente théorie puisse être utilisée pour obtenir la fonction de la valeur à partir des préférences entre les perspectives, le changement d'échelle réel est beaucoup plus compliqué que dans la théorie de l'utilité, en raison de la mise en place des poids des décisions. À titre d'exemple, les poids des décisions peuvent produire de l'aversion pour le risque et de la prise de risque même avec une fonction de la valeur linéaire. Néanmoins, il est intéressant de noter que les principales propriétés attribuées à la fonction de la valeur ont été observés dans une analyse détaillée des fonctions d'utilité de von Neurmann-Morgenstern sur les variations de la richesse (Fishburn and Kochenberger [14]). Les fonctions avaient été obtenues auprès de trente décisionnaires de différents domaines professionnels, dans le cadre de cinq études indépendantes [5, 18, 19, 21, 40]. La plupart des fonctions d'utilité étaient concaves pour les gains, la plupart des fonctions étaient convexes pour les pertes, et trois individus seulement présentaient de l'aversion pour le risque tant pour les gains que les pertes. À une seule exception près, les fonctions d'utilité étaient considérablement plus pentues pour les pertes que pour les gains.
Dans la théorie des perspectives, la valeur de chaque résultat est multipliée par un poids liée à une décision. Les poids liés aux décision sont obtenues à partir des choix entre les perspectives, similairement aux probabilités subjectives obtenues grâce aux préférences dans l'approche Ramsey-Savage. En revanche, les poids liés aux décisions ne sont pas des probabilités : ils n'obéissent pas aux axiomes de probabilité et ils ne doivent pas être interprétés comme des mesures d'un degré ou d'une conviction.
Prenons le cas d'un jeu de hasard où l'on peut gagner 1 000 ou rien, en fonction d'un coup de pile ou face avec une pièce non truquée. Pour toute personne raisonnable, la probabilité de gain est de 0,50 dans cette situation. Il est possible de le vérifier de différentes façons, en montrant par exemple qu'il importe peu au sujet de parier sur pile ou face, ou en retenant de ses propos qu'il considère les deux événements équiprobables. Comme nous le montrerons ci-dessous cependant, le poids de la décision π (0,50) obtenu à partir des choix est susceptible d'être inférieur à 0,50. Les poids liés aux décisions mesurent l'impact des évènements sur l'intérêt des perspectives, et pas seulement la perception de la probabilité de ces évènements. Les deux échelles coïncident (à savoir π (p) = p) si le principe d'attente s'applique, mais ne coïncident pas sinon.
Les problèmes de choix abordés dans cet article ont été formulés en termes de probabilité numériques explicites, et notre analyse suppose que les personnes interrogées aient adopté les valeurs définies de p. En outre, les évènements ayant été identifiés seulement par leurs probabilités définies, il est possible ici d'exprimer les poids liés aux décisions comme une fonction de la probabilité définie. En général cependant, les poids liés aux décisions associés à un événement peuvent être influencés par d'autres facteurs, à l'image de l'ambiguïté [19,11].
Parlons maintenant des propriétés essentielles de la fonction pondération π, qui porte sur les poids liés aux décisions des probabilités définies. Naturellement, π est une fonction croissante de p, avec π (0) = 0 et π (1) = 1. Cela dit, les résultats dépendants d'un événement possible sont ignorés, et l'échelle est normalisée afin que π (p) soit le ratio entre la pondération associée à la probabilité p et la pondération associée à l'événement certain.
Nous abordons tout d'abord certaines propriétés de la fonction de pondération dans le cas des faibles probabilités. Les préférences des Problèmes 8 et 8' suggèrent que pour les faibles valeurs de p, π est une fonction sous-additive de p, à savoir π (rp) > r π (p) pour 0 < r < 1. Rappelons que dans le Problème 8, (6000, 0,001) est préféré à (3000, 0,002). D'où : π (0,001) / π (0,002) > v (3000) / v (6000) > 1/2 par la concavité de v
Les préférences du Problème 8' aboutissent à la même conclusion. En revanche, la structure des préférences des Problèmes 7 et 7' suggère que la sousadditivité ne s'applique pas aux grandes valeurs de p.
Par ailleurs, nous proposons que les probabilités très faibles sont généralement surpondérées, à savoir que π (p) > p pour un p faible. Étudions les problèmes de choix suivants.
Problème 14 :
(5000, 0,001), ou (5).
N = 72 [72]* [28]
Problème 14' :
(– 5000, 0,001), ou (– 5).
N = 72 [17] [83]*
À noter que dans le Problème 14, les gens préfèrent ce qui est en réalité un ticket de loterie plutôt que la valeur espérée de ce ticket. Dans le problème 14', ils préfèrent une perte faible, qui peut être considérée comme le paiement d'une prime d'assurance, à une probabilité faible de perte importante. Des observations similaires ont été faites par Markowitz [29]. Dans la présente théorie, la préférence pour la loterie dans le problème 14 implique π (0,001) v(5000) > v(5), en conséquence π (0,001) > v(5) / v(5000) > 0,001, en supposant que la fonction de la valeur des gains soit concave. La prédisposition à payer pour une assurance au Problème 14' implique la même conclusion, en supposant que la fonction de la valeur soit convexe.
Il est important de distinguer la surpondération, qui se rapporte à une propriété des poids liés aux décisions, de la surestimation courante dans l'évaluation de la probabilité des évènements rares. À noter que la question de la surestimation n'a pas lieu d'être dans le présent contexte, où le sujet est supposé adopter la valeur définie de p. Dans de nombreuses situations réelles, la surestimation et la surpondération peut avoir pour conséquence d'accroître l'impact des évènements rares.
Gatsby Computational Neuroscience Unit
17 Queen Square
Londres WC1N 3AR
Royaume Uni
L'incertitude, sous diverses formes, est omniprésente dans nos interactions avec l'environnement. Dans un cadre statistique bayésien, les prédictions et inférences optimales, basées sur des observations non fiables dans des contextes instables, exigent la représentation et la manipulation de différentes formes d'incertitude. La proposition présentée dans cet article consiste à dire que les neuromodulateurs, acétylcholine et norépinephrine, jouent un rôle majeur dans l'exécution par le cerveau des calculs liés à l'incertitude. L'acétylcholine signale l'incertitude attendue, provenant de la non-fiabilité connue de signaux prédictifs dans un certain contexte. La norépinephrine signale l'incertitude inattendue, comme lorsque des changements de contexte non signalés produisent des observations complètement inattendues. Ces signaux sur l'incertitude interagissent pour permettre des apprentissages et inférences optimaux dans des environnements instables et affectés par des « bruits » (« noisy »). Cette formulation est cohérente avec les nombreuses données physiologiques, pharmacologiques et comportementales impliquant l'acétylcholine et la norépinephrine dans certains aspects spécifiques de différents processus cognitifs. De plus, le modèle suggère l'existence d'une classe de tâches donnant des signaux attentionnels qui impliquent ces deux neuromodulateurs et montrent comment leurs interactions peuvent être partiellement antagonistes, et partiellement synergétiques.
Effectuer des inférences sur l'état du monde et des prédictions sur le futur, sur la base d'un grand nombre de sortes différentes de sources d'informations incertaines, est l'une des tâches calculatoires les plus fondamentales du cerveau. Pour y parvenir, un traitement explicite des incertitudes est nécessaire. La théorie statistique bayésienne traite ce problème de manière quantitative et a été appliquée avec succès aux phénomènes cognitifs de la perception (Clark and Yuille, 1990 ; Knill and Richards, 1996 ; Ernst and Banks, 2002 ; Battaglia et al., 2003), de l'attention (Dayan et al., 2000 ; Yu and Dayan, 2002 ; Dayan and Yu, 2003), et aux apprentissages sensorimotriciels (Körding and Wolpert, 2004). Dans notre article, le cadre bayésien formalise la notion selon laquelle les apprentissages et inférences optimaux dépendent grandement de la représentation et du traitement des différentes sortes d'incertitude associées à un contexte comportemental. Un contexte consiste en un ensemble de régularités statistiques stables qui relient les myriades d'entités environnementales, telles que les objets et les événements, les uns aux autres et à nos systèmes moteurs et sensoriels. Ces relations corrélatives (par exemple, l'événement X se produit rarement en même temps que l'événement Y, ou l'action A appliquée à l'objet O est fréquemment suivie par l'événement C) permettent d'effectuer des inférences sur les aspects de l'environnement observés de manière imparfaite (que ce soit dans le temps ou dans l'espace) sur la base des observations passées, qui sont utilisées comme des signaux prédictifs. Selon la théorie statistique bayésienne, l'incertitude sur le contexte comportemental devrait supprimer l'utilisation des signaux supposés pour effectuer des inférences (par rapport aux informations sensorielles directes), mais stimuler l'apprentissage des relations prédictives moins connues dans le contexte comportemental actuel (Yu and Dayan, 2003).
Toute source d'informations peut être associée à une incertitude qui peut être décrite comme étant attendue ou inattendue, du point de vue de l'individu. L'incertitude attendue provient de la non fiabilité connue de relations prédictives dans un environnement familier, et l'incertitude inattendue est la conséquence d'importants changements dans l'environnement qui produisent des observations sensorielles en fort désaccord avec les attentes top-down. Par exemple, la décision « simple » d'emporter ou non un parapluie le matin nécessite de prendre méticuleusement en compte différentes sources d'informations potentiellement conflictuelles, telles que les prévisions du centre météorologique et l'existence de nuages menaçants. Pour un individu qui regarde régulièrement les prévisions météorologiques, la chance type d'erreur de prévision constitue une forme d'« incertitude attendue », tandis qu'une baisse substantielle de la fiabilité des prévisions, peut-être due à l'arrivée d'« el niño », provoquerait une « incertitude inattendue » et encouragerait potentiellement l'observateur à baser les prévisions météorologiques sur d'autres sources d'informations.
Que devrions-nous attendre de la réalisation neuronale des signaux des incertitudes attendue et inattendue ? Premièrement, ces deux sortes d'incertitude devraient avoir pour effet de supprimer les informations basées sur les attentes top-down, par rapport aux signaux de source sensorielle bottom-up, ainsi que d'encourager l'apprentissage du contexte. Deuxièmement, elles devraient être impliquées de manière sélective dans les tâches impliquant seulement l'une des deux formes d'incertitude. [...]
En plus de ces effets corticaux communs, les conclusions apportées par deux paradigmes attentionnels classiques différents suggèrent qu'ACh et NE jouent des rôles fonctionnels distincts. Le premier paradigme consiste en signaux basés sur les probabilités, comme cela a été illustré par la tâche de Posner, dans laquelle un signal prédit de manière explicite le lieu d'une cible ultérieure avec une certaine probabilité (appelée « validité du signal », cue validity). Dans cette tâche, les individus traitent le stimulus de la cible plus rapidement et plus exactement lors d'essais correctement signalés (signaux valides, valid cue) que lors d'essais incorrectement signalés (invalid cue), et la différence, (appelée l'effet de la validité, validity effect, VE) s'accroît avec la validité du signal (Bowman et al., 1993 ; Downing, 1988). L'invalidité du signal (probabilité que le signal soit incorrect) paramètre la stochasticité de la tâche et est d'habitude constante sur une session expérimentale complète. Ainsi, elle est bien connue des individus et constitue une forme d'incertitude attendue. L'observation selon laquelle VE varie inversement avec le niveau d'ACh est cohérente avec notre notion théorique selon laquelle ACh signale l'incertitude attendue (invalidité du signal) et ainsi supprime l'utilisation du signal.
[...]
NE, par opposition à ACh, n'interagit pas systématiquement avec la tâche signalante probabilistique après l'acquisition initiale (Witte and Marrocco, 1997 ; Clark et al., 1989). Au lieu de cela, elle semble jouer un rôle important dans un second paradigme, à savoir les tâches qui déplacent l'attention (attentionshifting tasks). Dans ces tâches, les propriétés prédictives des stimuli sensoriels sont délibérément modifiées, sans prévenir, par la personne menant l'expérience, afin d'étudier comment les individus déplacent et recentrent leur attention entre les signaux sensoriels et s'adaptent à de nouvelles relations prédictives.
[...]
Ces tâches font appel de manière sélective respectivement à l'incertitude attendue ou inattendue, et impliquent de manière sélective ACh ou NE, respectivement. Ici, nous proposons une tâche qui généralise la tâche de Posner et la tâche qui déplace l'attention (attention-shifting task) et devrions donc impliquer les deux formes d'incertitude. Nous utilisons cette tâche pour interpréter une quantité importante de données expérimentales existantes dans un cadre unifié et pour effectuer des prédictions spécifiques testables concernant les réponses des systèmes de ACh et NE aux différentes étapes de la tâche. Nous prédisons également les effets sur la performance psychophysique de l'interférence avec l'un ou les deux neuromodulateurs.
On en sait beaucoup sur la façon dont les gens prennent des décisions en fonction des différents niveaux de probabilité (risque). On en sait moins sur le fondement neuronal de la prise de décision lorsque les probabilités sont incertaines en raison du manque d'information (ambigüité). Dans la théorie de la décision, l'ambigüité concernant les probabilités ne devrait pas affecter les choix. En utilisant l'imagerie fonctionnelle du cerveau, nous montrons dans cet article que le niveau d'ambigüité des choix est corrélé positivement avec l'activation de l'amygdale et du cortex orbitofrontal (COF), et négativement avec le système striatal. De plus, l'activité striatale est corrélée positivement avec un bénéfice attendu. Les sujets neurologiques avec des lésions orbitofrontales étaient insensibles au niveau d'ambigüité et de risque dans les choix comportementaux. Ces données suggèrent un circuit neuronal général répondant à des degrés d'incertitude, contrairement à la théorie de la décision.
Dans les théories des choix en incertitude utilisées dans les sciences sociales et l'écologie comportementale, les seules variables qui devraient influencer un choix incertain sont les probabilités jugées des résultats possibles et l'évaluation de ces résultats. Mais la confiance dans les probabilités jugées peut varier sensiblement. Dans certains choix, comme celui de parier à la roulette, les probabilités peuvent être jugées avec confiance sur la base des fréquences relatives, des historiques d'événements ou d'une théorie acceptée. A l'autre extrême, pour un événement comme celui d'une attaque terroriste, les probabilités sont établies sur la base d'éléments peu probants ou conflictuels, alors que des informations importantes sont clairement manquantes. Ces deux types d'événements incertains sont souvent qualifiés de « risqués » ou d'« ambigus », respectivement. Dans la théorie de l'utilité subjective espérée, les probabilités de résultats devraient influencer les choix, alors que la confiance placée dans ces probabilités ne le devrait pas. Mais les expériences montrent que beaucoup de gens préfèrent plutôt parier sur des résultats risqués que sur des résultats ambigus, en maintenant constante la probabilité jugée des résultats. Cette aversion empirique vis-à-vis de l'ambiguïté justifie une recherche portant sur les distinctions neuronales entre le risque et l'ambiguïté. Ici, nous élargissons l'étude du fondement neuronal de la décision dans un cadre risqué pour y inclure l'ambiguïté.
La différence entre l'incertitude risquée et ambiguë est illustrée par le paradoxe d'Ellsberg. Imaginons un jeu de 20 cartes composé de 10 cartes rouges et de 10 cartes noires (le jeu risqué). Un autre jeu comprend 20 cartes rouges ou bleues, mais la composition des cartes rouges et bleues est complètement inconnue (le jeu ambigu). Un pari sur une couleur rapporte une somme fixe (par exemple, 10$) si une carte avec la couleur choisie est tirée, et zéro, sinon (Schéma 1.A).
A – Jeu de cartes B – Connaissance C – Adversaire informé
Schéma 1. Extraits des résultats de l'expérience. Les conditions dans le panneau du haut sont appelées ambigües car le sujet manque d'informations utiles disponibles dans des conditions de risque (panneau du bas). Les sujets choisissent toujours entre parier sur l'une des deux options sur le côté gauche ou prendre le revenu certain sur la droite. Traitement du jeu de cartes (A) : en situation d'ambiguïté, on ne connaît pas la proportion exacte ; en situation de risque, on connaît le nombre de cartes (indiqué par le nombre au-dessus de chaque jeu). Traitement de la connaissance (B) : en situation d'ambiguïté, on connaît moins de choses sur les événements incertains (par exemple, le Tadjikistan) qu'en situation de risque (New York). Traitement de l'adversaire informé (C) : on situation d'ambiguïté, on parie contre un adversaire qui a plus d'informations (qui a tiré dans le jeu un échantillon de trois cartes) qu'en situation de risque (où un adversaire n'a tiré aucune carte du jeu). Les paris sont gagnants si le sujet choisit la couleur réalisée et l'adversaire choisit la couleur opposée ; sinon, tous deux prennent le paiement certain.
Dans les expériences avec ces choix, un grand nombre de sujets parieront plutôt sur un tirage rouge dans le jeu risqué que sur un tirage rouge dans le jeu ambigu, et de manière similaire pour le bleu. Si les préférences de paris sont déterminées seulement par les probabilités et les paiements associés, ce mode de comportement est un paradoxe. En théorie, ne pas aimer le pari d'un tirage rouge du jeu ambigu implique que sa probabilité subjective est inférieure [Pamb(rouge) < Prisque(rouge)]. La même aversion pour les paris bleus implique Pamb(bleu) < Prisque(bleu). Mais ces inégalités, et le fait que les probabilités pour le rouge et le bleu doivent totaliser 1 pour chaque jeu, implique que 1 = Pamb(rouge) + Pamb(bleu) < Prisque(rouge) + Prisque(bleu) = 1, soit une contradiction. Le paradoxe peut être résolu en permettant aux choix de dépendre tant des probabilités subjectives des événements que de l'ambiguïté de ces événements. Plus généralement, les choix peuvent dépendre de la quantité d'informations manquantes ou de comment les gens ignorants se considèrent par rapport aux autres. [...]
Avec les données de l'imagerie par résonnance magnétique fonctionnelle (IRMf), ces données suggèrent un système neuronal pour l'évaluation de l'incertitude générale. On sait que l'amygdale et le cortex orbitofrontal (COF) reçoivent des données sensorielles multimodales rapides ; ils sont tous deux connectés de manière bidirectionnelle et nous savons qu'ils fonctionnent ensemble dans l'évaluation des stimuli ; et tous deux sont probablement impliqués dans la détection des stimuli pertinents et essentiels de la valeur incertaine. Cette dernière fonction a été théorisée en particulier pour l'amygdale. Une telle fonction fournit également un signal lié au bénéfice qui peut motiver les comportements, en raison des connexions connues entre l'amygdale, le COF et le striatum. Bien que le circuit soit évalué ici dans le contexte d'une expérience neuro-économique, nous croyons qu'il peut être utilisé pour certains aspects généraux portant sur la question de savoir comment les organismes explorent leur environnement : en situation d'incertitude, le cerveau est alerté par le fait que des informations sont manquantes, que les choix basés sur l'information disponible comportent donc davantage de conséquences inconnues (et potentiellement dangereuses), et que des ressources cognitives et comportementales doivent être mobilisées afin d'aller chercher des informations supplémentaires dans l'environnement.
Comprendre le fondement neuronal des choix en situation d'incertitude est important car il s'agit d'une activité fondamentale à tous les niveaux de la société, avec des exemples aussi divers que celui des gens qui économisent pour leur retraite, des compagnies qui tarifient leurs assurances et des pays qui évaluent les risques militaires, sociaux et environnementaux. Les choix peuvent varier considérablement en fonction du niveau d'informations disponibles pour le preneur de décision quant aux probabilités de résultats. La théorie de la décision standard, toutefois, empêche les agents d'agir différemment face au risque et à l'ambiguïté. Nos résultats montrent que cette hypothèse est fausse, tant au niveau comportementale que neuronal, et suggèrent un traitement unifié de l'ambiguïté et du risque en tant que cas limitant un système général d'évaluation de l'incertitude. Pour les neuroscientifiques, ces résultats introduisent le concept important des degrés variables d'incertitude qui manquait à nos études précédentes sur la prise de décision et le bénéfice. Plus généralement, cette étude montre l'intérêt de combiner les idées et les outils des sciences sociales et biologiques.
Note
1. Econometrica, 47(2), extraits des pages 263 à 291, mars 1979
Bibliographie
ELLSBERG D., “Risk, Ambiguity and the Savage Axioms”, Quaterly Journal of Economics, n° 75, 1963, pp. 663-669.
GHIRARDATO P. ; MARINACCI M., “Ambiguity Made Precise : Comparative Foundation ”, Journal of Economic Theory, n° 102, 2002, pp. 251-289.
GHIRARDATO P. ; MACCHERONI F. ; MARINACCI M., “Differentiating Ambiguity and Ambiguity Attitude”, Journal of Economic Theory, n° 118, 2004, pp. 133-173.
HSU M. ; BHATT M. ; ADOLPHS R. ; TRANEL D. ; CAMERER C. F., “Neural Systems Responding to Degrees of Uncertainty in Human Decision Making”, Science, vol. 310, n° 5754, 2005, pp. 1680-1683.
KAHNEMAN D. ; TVERSKY A., “Prospect Theory : An Analysis of Decision Under Risk”, Econometrica, vol. 47, mars 1979.
Voir également l'interview de DANIEL KAHNEMAN dans la revue Risques n° 67, septembre 2006.
KNIGHT F. H., Risk, Uncertainty and Profit, New York, Houghton Mifflin, 1921.
KUHNEN C. M. ; KNUTSON B., “The Neural Basis of Financial Risk Taking”, Neuron, vol. 47, 2005, pp. 763-770.
SCHMIDT C., Neuroéconomie, Paris, Odile Jacob, 2010.
SHACKLE G. L.S., Expectations in Economics, Cambridge, Cambridge University Press, 1949.
YU A. J. ; DAYAN P., “Uncertainty, Neuromodulation, and Attention”, Neuron, vol. 46, 2005, pp. 681-692.