L'économiste lauréat du prix Nobel Richard Thaler a dit en plaisantant :"Les gens ne sont pas idiots, le monde est dur."

En effet, nous rencontrons régulièrement des problèmes dans notre vie quotidienne qui semblent complexes, du choix du meilleur plan d'électricité à la décision de dépenser efficacement notre argent.

Les Australiens paient des centaines de millions de dollars chaque année à des sites Web de comparaison et à des groupes axés sur les consommateurs, tels que CHOICE, pour les aider à prendre des décisions concernant leurs produits et services.

Mais comment mesurer objectivement la "complexité" de nos décisions ? Notre recherche, récemment publiée dans Scientific Reports , offre un moyen potentiel d'y parvenir, en s'appuyant sur des concepts de l'informatique et de la science des systèmes.

Pourquoi mesurer la complexité ?

Il existe plusieurs facteurs lorsqu'il s'agit de mesurer la complexité dans n'importe quel scénario. Par exemple, il peut y avoir un certain nombre d'options parmi lesquelles choisir et chaque option peut avoir plusieurs caractéristiques différentes à prendre en compte.

Supposons que vous vouliez acheter de la confiture. Ce sera facile s'il n'y a que deux saveurs disponibles, mais difficile s'il y en a des dizaines. Pourtant, choisir un plan d'électricité serait beaucoup plus difficile, même avec seulement deux options.

En d'autres termes, vous ne pouvez pas isoler un facteur particulier lorsque vous essayez de déterminer la complexité de quelque chose. Vous devez considérer le problème dans son ensemble, et cela nécessite beaucoup plus de travail.

La capacité à mesurer avec précision la complexité pourrait avoir un large éventail d'applications pratiques, notamment pour éclairer la conception de :

• réglementation sur la complexité des produits
• Systèmes numériques faciles à naviguer, y compris les sites Web, les applications et les programmes pour appareils intelligents
• produits faciles à comprendre. Il peut s'agir de produits financiers (plans de retraite et d'assurance, systèmes de cartes de crédit), de produits physiques (appareils) ou de produits virtuels (logiciels)
• l'intelligence artificielle (IA) qui offre des conseils lorsque les problèmes sont trop complexes pour les humains. Par exemple, une IA de planification peut vous permettre de réserver vous-même des réunions, avant d'intervenir pour suggérer des heures et des lieux de réunion optimaux en fonction de votre historique.

Comment nous étudions la prise de décision humaine

L'informatique peut nous aider à résoudre des problèmes :une information entre et une (ou plusieurs) solution(s) en ressortent. Cependant, la quantité de calcul nécessaire pour cela peut varier considérablement en fonction du problème.

Nos collègues et nous avons utilisé un cadre mathématique précis, appelé "théorie de la complexité computationnelle", qui quantifie la quantité de calculs nécessaires pour résoudre un problème donné.

L'idée sous-jacente est de mesurer la quantité de ressources de calcul (telles que le temps ou la mémoire) dont un algorithme informatique a besoin lors de la résolution de problèmes. Plus il faut de temps ou de mémoire, plus le problème est complexe.

Une fois cela établi, les problèmes peuvent être classés en "classes" en fonction de leur complexité.

Dans notre travail, nous nous sommes particulièrement intéressés à la façon dont la complexité (telle que déterminée par la théorie de la complexité computationnelle) correspond à la quantité réelle d'efforts que les gens doivent déployer pour résoudre certains problèmes.

Nous voulions savoir si la théorie de la complexité computationnelle pouvait prédire avec précision à quel point les humains se débattraient dans une situation donnée et quelle serait la précision de leur résolution de problèmes.

Tester notre hypothèse

Nous nous sommes concentrés sur trois types de tâches expérimentales, dont vous pouvez voir des exemples ci-dessous. Tous ces types de tâches appartiennent à une classe plus large de problèmes complexes appelés problèmes "NP-complets".

Chaque type de tâche nécessite une capacité différente pour bien performer. Plus précisément :

• Les tâches de "satisfaisabilité" nécessitent une logique abstraite
• les tâches de "vendeur itinérant" nécessitent des compétences en navigation spatiale et
• Les tâches "sac à dos" nécessitent de l'arithmétique.

Tous les trois sont omniprésents dans la vie réelle et reflètent des problèmes quotidiens tels que les tests de logiciels (satisfiabilité), la planification d'un voyage en voiture (vendeur itinérant) et les achats ou les investissements (sac à dos).

Nous avons recruté 67 personnes, les avons réparties en trois groupes et avons demandé à chaque groupe de résoudre entre 64 et 72 différentes variantes de l'un des trois types de tâches.

Nous avons également utilisé la théorie de la complexité computationnelle et des algorithmes informatiques pour déterminer quelles tâches étaient "de haute complexité" pour un ordinateur, avant de les comparer avec les résultats de nos résolveurs de problèmes humains.

Nous nous attendions - en supposant que la théorie de la complexité computationnelle corresponde à la façon dont les personnes réelles résolvent les problèmes - que nos participants passent plus de temps sur des tâches identifiées comme étant "de haute complexité" pour un ordinateur. Nous nous attendions également à une résolution de problèmes moins précise sur ces tâches.

Dans les deux cas, c'est exactement ce que nous avons trouvé. En moyenne, les gens réussissaient deux fois mieux dans les cas les moins complexes que dans les cas les plus complexes.

L'informatique peut mesurer la "complexité" pour les humains

Nos résultats suggèrent que l'effort seul ne suffit pas pour s'assurer que quelqu'un réussit à résoudre un problème complexe. Certains problèmes seront difficiles quoi qu'il arrive, et ce sont les espaces dans lesquels les aides à la décision avancées et l'IA peuvent briller.

Concrètement, être capable d'évaluer la complexité d'un large éventail de tâches pourrait aider à fournir aux personnes le soutien nécessaire dont elles ont besoin pour s'acquitter de ces tâches au quotidien.

Le résultat le plus important était que nos prédictions basées sur la théorie de la complexité computationnelle concernant les tâches que les humains trouveraient plus difficiles étaient cohérentes pour les trois types de tâches, bien que chacune nécessite des capacités différentes à résoudre.

De plus, si nous pouvons prédire à quel point les humains trouveront des tâches difficiles dans ces trois problèmes, ils devraient pouvoir faire de même pour plus de 3 000 autres problèmes NP-complets.

Ceux-ci incluent des obstacles similaires tels que la planification des tâches, les achats, la conception des circuits et le gameplay.

Maintenant, pour mettre la recherche en pratique

Bien que nos résultats soient passionnants, il reste encore un long chemin à parcourir. D'une part, nos recherches ont utilisé des tâches rapides et abstraites dans un environnement de laboratoire contrôlé. Ces tâches peuvent modéliser choix de la vie réelle, mais ils ne sont pas représentatifs de la réelle choix de la vie réelle.

L'étape suivante consiste à appliquer des techniques similaires à des tâches qui ressemblent davantage à des choix réels. Par exemple, pouvons-nous utiliser la théorie de la complexité computationnelle pour mesurer la complexité du choix entre différentes cartes de crédit ?

Les progrès dans ce domaine pourraient nous aider à débloquer de nouvelles façons d'aider les gens à faire de meilleurs choix, chaque jour, dans diverses facettes de la vie. + Explorer plus loin

Des chercheurs développent un algorithme pour répartir les tâches entre les équipes homme-robot

Cet article est republié de The Conversation sous une licence Creative Commons. Lire l'article d'origine.