Des chercheurs de l'Université de Magdebourg et de la Charité – Universitätsmedizin Berlin ont présenté un cadre formel appelé modélisation comportementale agentique (ABM) qui utilise des agents artificiels comme hypothèses génératives de la cognition humaine. Dans un article soumis à arXiv le 30 avril 2026, Dirk Ostwald, Rasmus Bruckner, Franziska Usée, Belinda Fleischmann, Joram Soch et Sean Mulready montrent comment l'ABM peut faire le pont entre les neurosciences théoriques, la théorie de la décision et l'inférence probabiliste pour analyser des données comportementales.
La Recherche
L'équipe a appliqué l'ABM à deux tâches classiques en laboratoire : une tâche binaire de discrimination de contraste perceptif et une tâche d'apprentissage symétrique à deux bras (two-armed bandit). Pour chaque tâche, ils ont formalisé le système tâche-agent-données comme un modèle de probabilité conjoint et dérivé des log-vraisemblances conditionnelles explicites pour l'inférence comportementale. Ils ont validé différents variants du modèle à l'aide de simulations de récupération de modèles et de paramètres, et les ont testés contre des données empiriques.
Les résultats clés incluent une interprétation centrée sur l'agent de la fonction psychométrique — la courbe reliant l'intensité du stimulus à la précision perceptive — et la dérivation de politiques optimales pour les deux tâches. Notamment, les chercheurs ont prouvé que dans les bandits symétriques, la règle d'apprentissage de Rescorla-Wagner (un modèle classique d'apprentissage associatif) est mathématiquement équivalente à l'inférence bayésienne. Cette équivalence suggère que des algorithmes d'apprentissage simples peuvent approximer un raisonnement probabiliste optimal sous certaines conditions.
Les simulations de récupération ont confirmé que l'ABM peut retrouver avec précision les vrais paramètres du modèle à partir de données comportementales synthétiques, soutenant ainsi sa validité statistique. Le cadre a également montré un bon ajustement aux données empiriques, bien que des métriques d'ajustement exactes (par exemple, les rapports de vraisemblance) aient été rapportées à des fins de démonstration sans valeurs numériques spécifiques.
Pourquoi C'est Important
L'ABM offre un moyen systématique de tester les théories cognitives en traitant les agents d'IA comme des hypothèses. Au lieu de concevoir des modèles séparés pour chaque expérience, les chercheurs peuvent désormais évaluer si les mécanismes internes d'un agent — comme la mise à jour des croyances ou les règles de décision — correspondent au comportement humain. Cela pourrait accélérer la découverte des algorithmes cognitifs sous-jacents à la perception, l'apprentissage et la prise de décision. Pour les concepteurs de tests de QI, l'ABM offre un outil statistique pour valider si les items de test mesurent les constructions cognitives souhaitées plutôt que des variables confondantes.
Ce Que Vous Pouvez Faire
Vous pouvez explorer vos propres capacités cognitives en passant un test de QI adaptatif qui utilise la théorie de la réponse à l'item — un cadre statistique connexe. Pour entraîner vos compétences d'apprentissage et de prise de décision, essayez des tâches d'apprentissage probabiliste comme le bandit à deux bras (disponible sur les plateformes d'entraînement cérébral) et suivez votre précision au fil du temps.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
