📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Chaque fois que vous hésitez devant un pas risqué — investir dans des actions ou attendre — un dialogue interne se déroule dans votre tête. Habituellement, les scientifiques tentent de reconstituer le fil de ce dialogue à partir du seul choix final, comme si un détective reconstituait une conversation entre deux personnes en regardant une photo du lieu de rencontre. Une telle image est souvent insuffisante : les mêmes actions peuvent naître de réflexions très différentes.

Les auteurs de l'étude ont proposé d'enregistrer le dialogue lui-même. Les participants verbalisaient leurs pensées pendant un jeu où il fallait choisir entre un gain sûr et une loterie risquée. Ensuite, ces enregistrements, accompagnés des choix, étaient transmis à un programme qui cherche la meilleure explication du comportement. Le résultat a été surprenant : les modèles entraînés sur de telles « transcriptions » sont devenus nettement plus précis pour prédire les décisions des gens sur de nouveaux exemples. De plus, pour 69 % des participants, l'architecture même du modèle a changé. Sans ces indications, le programme construisait un modèle de type « comparaison explicite » — comme si la personne posait les options sur les plateaux d'une balance et regardait ce qui l'emportait. Avec les données verbales, le modèle passait à une « utilité intégrée » — comme si tous les pour et les contre fusionnaient en une sensation globale de bénéfice, et que la décision naissait de cette fusion.

Ainsi, les mots prononcés au moment du doute ne sont pas simplement du bruit. Ils portent l'empreinte de la manière dont nous parvenons à une décision, et cette empreinte peut être déchiffrée. Cette approche promet non seulement des modèles plus précis, mais aussi la possibilité de scruter les mécanismes de la pensée qui ne sont pas visibles à travers les seules actions.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2605.05091

Computational cognitive models discovered using large language models have so far relied solely on behavioral data. However, it is well-known that models produced from the behavioral trajectory alone are typically under-determined. In this work, we explore the use of Think Aloud traces as an additional form of data constraint during automated model discovery. When applied to the domain of risky decision-making, we find that the models discovered with think-aloud achieve significantly improved predictive performance on held-out data. Additionally, we find that the discovered models belong to different structural classes than those discovered from behavior alone for the majority of participants (69.4\%), specifically, it shifts from Explicit comparator towards Integrated utility. These results suggest that process-level language data not only improve model fit, but also systematically reshape the structure of the discovered cognitive models, enabling the identification of mechanisms that are not recoverable from behavior alone.