De nouvelles recherches révèlent qu'un biais cognitif bien connu dans la façon dont nous catégorisons les informations ambiguës persiste même lorsqu'il n'y a pas de signaux d'erreur à partir desquels apprendre. L'étude, menée par Lenard Dome et Andy J. Wills, propose un nouveau modèle computationnel, OSCAR, qui offre une explication unifiée de ce phénomène.
La recherche
Dome et Wills, de l'Université de Plymouth, ont mené deux expériences pour étudier l'effet de taux de base inversé—un biais où les gens surestiment l'association d'un résultat rare avec une caractéristique rare. Cet effet est généralement expliqué par l'erreur de prédiction, un mécanisme d'apprentissage où les écarts entre les résultats attendus et réels conduisent à des ajustements. Dans leur première expérience, ils ont utilisé une procédure d'apprentissage par observation où les participants observaient les co-occurrences de catégories et d'étiquettes sans faire de prédictions ni recevoir de retour. Dans la seconde, ils ont entièrement supprimé les étiquettes de catégories, utilisant une procédure non supervisée. Fait frappant, le biais persistait dans les deux conditions, suggérant qu'il ne nécessite pas d'apprentissage supervisé ni de signaux d'erreur.
Les chercheurs ont ensuite développé OSCAR, qui intègre des principes de modèles établis et fonctionne sur un retour auto-généré semblable à la complétion de schémas. OSCAR a reproduit avec succès les différences individuelles observées chez les humains à travers les trois procédures (supervisée, observationnelle et non supervisée) et a performé de manière compétitive par rapport à d'autres modèles sur un grand ensemble de données préexistant. De plus, OSCAR a fourni une explication pour des données de suivi oculaire auparavant inexpliquées, un exploit qu'aucun autre modèle n'a réalisé.
Pourquoi c'est important
Cette recherche remet en question la théorie dominante selon laquelle l'erreur de prédiction est nécessaire pour les biais d'apprentissage de catégories. Comprendre que de tels biais peuvent survenir sans retour externe a des implications profondes pour la façon dont nous apprenons et prenons des décisions dans des situations réelles où le retour est souvent absent—comme lorsque nous apprenons par observation ou en nous exposant simplement à l'information. Cela suggère que notre cerveau est câblé pour former spontanément des associations de catégories, ce qui pourrait expliquer pourquoi les stéréotypes et les jugements biaisés se forment même sans renforcement direct. Cette connaissance vous permet de reconnaître que vos impressions initiales peuvent être influencées par des processus subtils et automatiques, vous encourageant à remettre en question vos jugements hâtifs.
Ce que vous pouvez faire
Pour contrer les biais potentiels dans votre propre réflexion, recherchez activement des preuves contredisantes et pratiquez un raisonnement lent et délibéré lorsque vous portez des jugements sur les personnes ou les situations. Envisagez de faire des exercices d'entraînement cérébral qui défient vos compétences de catégorisation, car ceux-ci peuvent vous aider à prendre conscience de vos schémas de pensée automatiques.
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.
