» Vous voulez prendre de meilleures décisions ? Demandez moins d’informations, pas plus « ,
explique cette équipe de neurologues et de psychologues du Stevens Institute of Technology (New Jersey). Même de petites quantités de données excédentaires et non pertinentes peuvent nuire à la capacité de prendre les bonnes décisions, conclut cette étude, publiée dans la revue Cognitive Research Principles and Implications, qui suggère des applications de ses conclusions en Santé publique.
L’exemple pris ici est celui d’un modèle complexe pour gérer la perte de poids, contenant à la fois des informations pertinentes et non pertinentes. Lorsque les informations pertinentes ne sont pas mises en évidence dans le modèle, les participants prennent alors de mauvaises décisions. Plus largement, lorsque nous devons prendre une décision difficile, notre premier réflexe est généralement de rassembler autant d’informations que possible. Cependant, avec l’excès d’informations, la prise de décision se détériore au lieu de s'améliorer, et de plus en plus avec les détails supplémentaires.
On dit « prendre des décisions éclairées »
Mais en fait, il s’agirait plutôt de les prendre sur la base d’un minimum d’informations pertinentes.
« Trop d’informations tue la décision »,
« ce principe est contre-intuitif, car nous aimons tous penser que nous utilisons l'information à bon escient pour prendre des décisions intelligentes », explique l’auteur principal, Samantha Kleinberg, professeur agrégé d’informatique au Stevens Institute of Technology. « Mais la réalité est qu’en matière d’information, plus n’est pas nécessairement mieux. »
L’étude qui a décrypté comment la plupart des gens prennent leurs décisions, révèle que la plupart se concentrent sur les informations qui leur sont fournies. Peu importe qu’elles soient pertinentes ou ne le soient pas. Ces travaux montrent notamment que lorsqu’il s’agit de scénarii du quotidien, comme par exemple prendre des décisions saines en matière de nutrition, la capacité des gens à raisonner efficacement s’évapore rapidement. « Les connaissances et croyances « superflues » détournent les gens du modèle rationnel : lorsque je réfléchis à ce que je vais manger, par exemple, je peux avoir toutes sortes d'idées préconçues sur les aliments à privilégier et finalement cela perturbe les données à réellement prendre en compte dans cette prise de décision pourtant simple et du quotidien ».
Une série d'expériences explorant comment la prise de décision change non seulement en fonction de l’objet, allant de l'achat d'une maison à la gestion du poids, du modèle causal, mais surtout en fonction des informations apportée :
- même une infime quantité d'informations non pertinentes a un effet négatif important sur la prise de décision ;
- plus nombreuses sont les informations excédentaires ou non pertinentes et moins pertinente est la décision ;
- avec trop d’informations, la prise de décision devient rapidement aussi mauvaise que si aucune information n’avait été apportée.
Ex : si un modèle causal montre que la consommation d’aliments salés augmente la tension artérielle, mais apporte également des informations superflues, comme le fait que boire de l’eau diminue la soif, il devient beaucoup plus difficile de faire le bon choix sur la consommation d'aliments salés.
Dans la vie réelle, ajoutent les chercheurs, non seulement les gens sont submergés d'informations, mais ils ont du mal à déterminer à « quelle partie du modèle » ils doivent prêter attention- en d’autres termes quel est l’objectif poursuivi.
Ces observations ont des implications pour les messages éducatifs en Santé publique qui ne devraient cibler qu’un objectif simple et indiquer les mesures essentielles pour y parvenir.
« Le public a besoin de modèles causals simples et soigneusement ciblés pour prendre les bonnes décisions de santé ».
A cet égard, les chatbots basés sur l’IA ouvrent une nouvelle opportunité de délivrer juste les bonnes informations de santé en fonction des caractéristiques et des objectifs de chacun.
Source: Cognitive Research Principles and Implications 30 Sept, 2023 DOI: 10.1186/s41235-023-00509-7 Less is more: information needs, information wants, and what makes causal models useful
Lire aussi : ChatGPT : Une précision impressionnante dans la prise de décision clinique
