Pourquoi l’IA peut compliquer inutilement les réponses : les humains et les LLM présentent un « biais d’addition », privilégiant souvent les étapes supplémentaires à la soustraction.
Aperçu des variantes utilisées dans la tâche spatiale (symétrie). Crédit : Uhler et al. (Communications Psychology, 2026).
Lorsqu’ils prennent des décisions et portent des jugements, les humains peuvent tomber dans des « pièges » courants, appelés biais cognitifs. Un biais cognitif est essentiellement la tendance à traiter l’information d’une manière spécifique ou à suivre un schéma systématique. L’un des biais cognitifs les plus documentés est le biais d’addition, qui consiste à préférer résoudre les problèmes en ajoutant des éléments plutôt qu’en les supprimant, même si la soustraction serait plus simple et plus efficace. Par exemple, on peut être tenté d’ajouter des paragraphes ou des explications pour améliorer une dissertation ou un rapport, alors que supprimer les passages inutiles serait plus pertinent.
Des chercheurs de l’Université de Tübingen et du Leibniz-Institut für Wissensmedien ont récemment mené une étude visant à déterminer si les agents d’intelligence artificielle (IA), et plus particulièrement les modèles informatiques qui sous-tendent le fonctionnement de ChatGPT, présentent également cette tendance lorsqu’ils répondent aux requêtes des utilisateurs. Leurs résultats, publiés dans la revue Communications Psychology , suggèrent que ces modèles peuvent hériter du biais d’addition des textes rédigés par des humains sur lesquels ils sont entraînés.
« Les intelligences artificielles génératives, et notamment les grands modèles de langage (GML), influencent de plus en plus la prise de décision humaine. Il est donc essentiel de comprendre comment les biais cognitifs sont reproduits ou amplifiés dans ces systèmes », écrivent Lydia Uhler, Verena Jordan et leurs collègues dans leur article. « S’appuyant sur l’existence d’un biais d’addition chez l’humain – une préférence pour les stratégies de résolution de problèmes additives plutôt que soustractives –, cette recherche a comparé les performances humaines à celles de GPT-4 et GPT-4o dans des tâches spatiales et linguistiques. »
Aperçu des variantes utilisées dans la tâche linguistique (de synthèse). Crédit : Uhler et al. (Communications Psychology, 2026).
Étude du « biais d’addition » chez l’humain et les LLM
Uhler, Jordan et leurs collègues ont mené deux études comparant les réponses de participants humains à deux modèles linguistiques logiques distincts : GPT-4 et GPT-4o. Dans le cadre de leur première étude, ils ont réalisé quatre expériences impliquant 588 participants et comparé leurs réponses à 680 réponses générées par GPT-4. Leur seconde étude, quant à elle, comprenait deux expériences comparant les réponses de 751 participants humains à 1 080 résultats de GPT-4o.
Les participants humains et les modèles linguistiques ont été testés sur deux types de tâches : des tâches spatiales et linguistiques. Les tâches spatiales consistent à agencer des formes ou des structures selon des modalités spécifiques, tandis que les tâches linguistiques exigent des participants qu’ils choisissent ou génèrent des textes spécifiques en suivant une série d’instructions.
Dans certaines expériences, l’ajout d’informations a permis aux participants de résoudre une tâche plus efficacement, tandis que dans d’autres, la suppression d’informations s’est avérée préférable. De plus, les consignes de la tâche étaient rédigées dans un langage soit plus neutre, soit plus positif.
« Nous avons manipulé (a) l’efficacité de la solution et (b) la valence des instructions », écrivent les auteurs. « Dans les deux études, un biais d’addition général est apparu, plus prononcé chez les LLM que chez les humains. »
Uhler, Jordan et leurs collègues ont constaté que les participants humains et les modèles linéaires étendus (LLM) qu’ils ont examinés présentaient un biais d’addition. Cependant, ce biais était moins marqué chez les humains et plus prononcé chez les LLM lors de tâches où la soustraction d’informations s’avérait clairement la stratégie la plus efficace pour résoudre un problème.
« Les humains ont fait moins de choix additifs lorsque la soustraction était plus efficace que l’addition (comparativement à une situation où les deux étaient également efficaces), tandis que les résultats de GPT-4 ont montré le schéma inverse », ont écrit Uhler, Jordan et leurs collègues.
« Les résultats de GPT-4o étaient similaires à ceux des humains dans la tâche linguistique, mais aucun effet d’efficacité n’a été observé dans la tâche spatiale. La valence des instructions n’a pas atteint le seuil de signification statistique pour aucun des deux agents dans la tâche spatiale. Dans la tâche linguistique, une valence positive (comparée à une valence neutre) a entraîné des résultats plus additifs dans les deux modèles GPT, mais uniquement dans l’étude 2 pour les humains. »
Approfondir la compréhension de l’IA et des biais humains
Les résultats obtenus par cette équipe de chercheurs suggèrent que les modèles linguistiques, généralement entraînés sur de vastes quantités de textes rédigés par des humains, présentent un biais d’addition dans les tâches spatiales et linguistiques. Dans certains cas, ce biais peut même s’accentuer, ces modèles ayant tendance à ajouter davantage d’informations, même si cette approche est manifestement la moins efficace pour résoudre un problème.
« Ces résultats indiquent que le biais d’addition a été transféré aux modèles de langage, qui peuvent reproduire et, selon le contexte, amplifier ce biais humain », écrivent les auteurs. « Ceci souligne l’importance de poursuivre les recherches théoriques et empiriques sur les mécanismes cognitifs et liés aux données qui sous-tendent le biais d’addition chez les humains et les modèles de langage. »
Les travaux d’Uhler, Jordan et leurs collègues pourraient bientôt ouvrir la voie à de nouvelles études visant à identifier d’autres biais chez les humains et les modèles de langage, ainsi que leurs implications potentielles. Ces recherches pourraient orienter le développement d’agents d’IA plus fiables et contribuer à une meilleure compréhension des schémas communs qui nuisent à la prise de décision humaine.
https://techxplore.com/news/2026-02-ai-overcomplicate-humans-llms-addition.html