Qu’est-ce qu’une heuristique ?

Dans un service hospitalier, un changement brutal de l’état d’une personne peut exiger une réaction avant que sa cause soit connue avec certitude. Une pâleur inhabituelle, une confusion soudaine ou une difficulté respiratoire ne constituent pas encore un diagnostic. Ces signes peuvent néanmoins suffire pour appliquer une règle simple : interrompre ce que l’on faisait, vérifier les éléments immédiatement accessibles et alerter le professionnel compétent. Attendre d’avoir identifié précisément le mécanisme en cause rendrait peut-être le jugement plus complet, mais parfois beaucoup trop tardif.

Nous rencontrons constamment des problèmes de ce type. Nous devons choisir, estimer, rechercher ou agir avec un temps limité, des connaissances incomplètes et une capacité de calcul finie. Une heuristique est l’une des réponses possibles à cette situation : une stratégie qui simplifie le problème en utilisant seulement une partie de l’information, en limitant la recherche ou en déterminant à quel moment il est raisonnable de s’arrêter.

Une heuristique ne garantit donc pas la meilleure réponse possible dans chaque cas. Mais ce n’est pas nécessairement son objectif. Elle vise souvent une décision suffisamment bonne, suffisamment rapide et adaptée aux contraintes réelles de la situation.

Cette idée paraît simple. Elle permet pourtant d’éviter une grande partie des confusions qui entourent les « raccourcis mentaux ».

Décider avec des ressources limitées

L’étude moderne des heuristiques est étroitement liée à la notion de rationalité limitée développée par Herbert Simon. Les modèles classiques de décision peuvent représenter un agent capable d’identifier toutes les options pertinentes, d’en prévoir les conséquences, de leur attribuer une valeur et de sélectionner celle qui maximise son objectif. Cette représentation peut constituer un modèle utile, mais elle décrit rarement les conditions concrètes dans lesquelles un être humain doit prendre une décision.

Dans la réalité, rechercher l’information possède elle-même un coût. Examiner un document supplémentaire prend du temps. Comparer dix options demande davantage d’effort qu’en comparer trois. Attendre une certitude plus grande peut retarder une action urgente. Certaines informations restent tout simplement inconnues et certaines conséquences sont impossibles à prévoir.

La question rationnelle n’est alors plus seulement : quelle serait la meilleure décision si nous disposions de toute l’information ? Elle devient aussi : combien d’information vaut-il la peine de rechercher avant de décider ?

Simon a précisément contribué à déplacer l’analyse vers ces conditions réelles du choix. Une théorie de la décision doit tenir compte des limites de connaissance, de calcul et de temps auxquelles le décideur est effectivement confronté.

Une heuristique peut être comprise dans ce cadre comme une manière de réduire la complexité du problème. Elle peut limiter le nombre d’options examinées, privilégier quelques indices jugés particulièrement informatifs, fixer un seuil acceptable ou déterminer quand arrêter la recherche.

Sélectionner, ignorer et s’arrêter

Le mot « heuristique » recouvre des stratégies assez différentes. Leur point commun n’est pas nécessairement d’être inconscientes ou extrêmement rapides. Il est plutôt qu’elles simplifient la quantité d’information ou de calcul nécessaire à une décision.

Une stratégie peut simplifier la recherche : au lieu de consulter toutes les informations disponibles, nous nous concentrons sur quelques indices. Elle peut simplifier l’évaluation : au lieu de pondérer précisément dix critères, nous en privilégions un ou deux. Elle peut imposer une règle d’arrêt : dès qu’une option atteint un seuil jugé suffisant, nous cessons de chercher. Elle peut enfin fournir une règle de décision : si le premier indice suffisamment discriminant favorise une option, nous choisissons celle-ci.

Shah et Oppenheimer ont proposé de regrouper de nombreux phénomènes heuristiques selon ce principe général de réduction de l’effort. Une heuristique peut ainsi examiner moins d’indices, rechercher moins d’alternatives, effectuer moins de calculs ou simplifier la manière dont les informations sont pondérées.

Prenons un achat relativement ordinaire. Pour choisir un ordinateur destiné à un usage courant, il serait possible de comparer plusieurs dizaines de modèles selon le processeur, la mémoire, l’écran, l’autonomie, la réparabilité, le poids, le prix, la fiabilité attendue et de nombreux autres critères. Une stratégie beaucoup plus simple consiste à fixer quelques exigences indispensables — budget maximal, autonomie minimale, quantité de mémoire suffisante — puis à choisir parmi les premiers appareils satisfaisant ces conditions.

Cette procédure peut manquer l’ordinateur objectivement supérieur selon une comparaison exhaustive. Mais continuer la recherche possède lui aussi un coût. Deux heures supplémentaires consacrées à économiser vingt euros ou à gagner une différence imperceptible de performances ne constituent pas forcément une amélioration globale de la décision.

« Raccourci mental » : une métaphore à manier avec prudence

Les heuristiques sont souvent définies comme des raccourcis mentaux. L’expression est utile pour une première intuition, mais elle devient trompeuse si elle suggère qu’il existerait toujours une route complète, parfaitement rationnelle et accessible, dont l’heuristique serait simplement une version paresseuse.

Dans beaucoup de problèmes réels, cette route complète n’existe pas. Nous ne connaissons pas toutes les options possibles, nous ne disposons pas des probabilités exactes et nous ne pouvons pas prévoir toutes les conséquences. Une analyse plus longue peut améliorer le jugement, mais elle peut également ajouter des informations peu pertinentes ou du bruit.

Les recherches sur les heuristiques rapides et économes ont précisément montré qu’une procédure utilisant moins d’informations peut, dans certaines conditions, obtenir des performances comparables à celles de modèles plus complexes, voire mieux généraliser à de nouvelles données. Cela ne signifie évidemment pas que moins d’information est toujours préférable. La performance dépend de la structure du problème, de la qualité des indices disponibles, du bruit et de l’environnement dans lequel la règle est appliquée.

La bonne opposition n’est donc pas heuristique contre rationalité, ni même simple contre complexe. La question intéressante est : quelle stratégie utilise suffisamment bien l’information disponible pour ce problème précis ?

Trois traditions qui ne posent pas exactement la même question

Une partie des malentendus sur les heuristiques vient du fait que plusieurs traditions de recherche ont utilisé ce terme avec des préoccupations différentes.

Dans les travaux de Tversky et Kahneman, les heuristiques permettent notamment de comprendre comment nous formulons des jugements sous incertitude. Leur article classique de 1974 étudie la représentativité, la disponibilité et l’ancrage. Ces procédures sont économiques et souvent utiles, mais certaines situations expérimentales révèlent qu’elles peuvent entraîner des erreurs systématiques et prévisibles.

Le programme de Gigerenzer, Todd et leurs collaborateurs s’est davantage intéressé à des règles de décision explicitement définies et à la manière dont leur performance dépend de la structure de l’environnement. Il demande non seulement comment une heuristique peut nous tromper, mais aussi pourquoi une règle extrêmement simple peut parfois fonctionner remarquablement bien. C’est le programme des *fast and frugal heuristics* et de la rationalité écologique.

Ces perspectives ont donné lieu à de véritables désaccords théoriques, mais il serait caricatural d’en conclure que l’une affirme que les heuristiques sont irrationnelles tandis que l’autre soutient qu’elles sont toujours efficaces. Elles insistent souvent sur des questions différentes : quels mécanismes produisent certains jugements ? À quelles erreurs peuvent-ils conduire ? Quelles règles les individus utilisent-ils réellement ? Dans quels environnements une stratégie simple donne-t-elle de bonnes performances ?

Une étude rigoureuse des heuristiques doit pouvoir poser toutes ces questions.

Heuristique, intuition, automatisme, algorithme et biais

Ces notions sont proches mais ne sont pas synonymes.

NotionCe qu’elle désigne principalementExemple
HeuristiqueUne stratégie simplifiée de recherche, de jugement ou de décisionArrêter la recherche lorsqu’une option satisfait les critères essentiels
IntuitionUne impression ou une réponse qui apparaît sans accès conscient à toutes les opérations qui l’ont produiteSentir rapidement qu’une situation professionnelle est inhabituelle
AutomatismeUn processus qui se déclenche avec peu de contrôle volontaireLire spontanément un mot familier
AlgorithmeUne procédure définie par une succession d’opérationsCalculer un score à partir d’une formule précise
Biais cognitifUne déviation systématique par rapport à un critère de référence pertinentSurestimer certains risques parce que les exemples spectaculaires viennent plus facilement à l’esprit

Une heuristique peut être utilisée intuitivement, mais elle peut également être entièrement consciente. Un médecin peut appliquer délibérément une règle clinique simple. Un recruteur peut décider à l’avance de commencer par trois critères éliminatoires. Un lecteur peut se donner pour règle de rechercher une source indépendante avant de relayer une information.

Inversement, tout processus intuitif n’est pas une heuristique. Reconnaître immédiatement le visage d’un collègue ou comprendre automatiquement un mot familier implique des mécanismes rapides sans constituer nécessairement une stratégie simplifiée de décision.

Une heuristique peut également être formalisée sous forme algorithmique. Certaines règles étudiées par les chercheurs précisent explicitement dans quel ordre rechercher les indices, quand arrêter cette recherche et comment décider. Un programme informatique peut parfaitement appliquer une heuristique. Il n’existe donc pas d’opposition nécessaire entre « heuristique humaine » et « algorithme informatique ».

Une heuristique n’est pas un biais

C’est la distinction la plus importante de cette rubrique.

Une heuristique désigne une stratégie. Un biais désigne un écart systématique par rapport à un critère d’évaluation pertinent.

Une même heuristique peut donc produire une bonne décision dans certaines situations, n’avoir pratiquement aucun effet dans d’autres et produire une erreur systématique ailleurs.

La disponibilité en fournit un exemple intuitif. Si nous voulons estimer si un événement est fréquent, la facilité avec laquelle des exemples nous viennent à l’esprit peut contenir une information utile : les événements fréquents offrent généralement davantage d’occasions d’être observés et mémorisés. Mais cette relation peut être perturbée. Un événement rare, spectaculaire et abondamment médiatisé peut être extraordinairement mémorable. L’indice utilisé — facilité de rappel — cesse alors de refléter correctement la propriété recherchée — fréquence réelle.

Le biais ne réside donc pas nécessairement dans le fait d’utiliser un indice incomplet. Il apparaît lorsque cet indice produit une déformation systématique relativement au critère que nous cherchons à estimer.

Tversky et Kahneman soulignaient déjà ce double caractère : les heuristiques qu’ils étudiaient sont économiques et généralement efficaces, tout en pouvant provoquer des erreurs prévisibles dans certaines circonstances.

L’erreur inverse consisterait aujourd’hui à transformer la rationalité écologique en justification générale des intuitions. Dire qu’une stratégie *peut* être adaptée à certains environnements ne démontre absolument pas qu’elle fonctionne dans celui qui nous intéresse.

Pourquoi une stratégie simple peut-elle fonctionner ?

Une heuristique devient utile lorsqu’elle exploite une régularité réelle de l’environnement.

Supposons que nous devions choisir entre deux objets dont nous connaissons peu de choses. Si la probabilité d’avoir déjà entendu parler d’un objet est fortement liée à la propriété recherchée, la reconnaissance peut constituer un indice utile. Si cette relation disparaît, l’heuristique perd son intérêt.

Même raisonnement pour l’apprentissage social. Suivre ce que font plusieurs personnes peut être très informatif lorsque chacune possède une observation partiellement indépendante. Si toutes répètent la même information initiale, dix personnes n’apportent pas nécessairement dix éléments de preuve.

La notion de rationalité écologique désigne précisément cette adéquation entre une stratégie cognitive et la structure de l’environnement dans lequel elle est utilisée. Elle déplace la question : au lieu de demander seulement si une règle respecte une norme abstraite, on étudie quelles informations elle exploite et dans quelles circonstances cette information permet effectivement de réussir.

Certaines conditions peuvent favoriser les stratégies simples : petit nombre d’observations, données bruitées, coût élevé de l’information supplémentaire ou présence de quelques indices très prédictifs. Dans d’autres situations, notamment lorsqu’une grande quantité de données fiables est disponible et que plusieurs variables apportent réellement une information complémentaire, une méthode plus complexe peut être supérieure. Les comparaisons doivent donc être empiriques.

Répondre à une question plus simple

Une famille particulière de jugements heuristiques peut être comprise comme une substitution d’attribut. Nous cherchons à évaluer quelque chose de difficile — l’attribut cible — mais une propriété plus immédiatement accessible influence ou remplace partiellement ce jugement.

« Quelle est la fréquence réelle de cet événement ? » peut devenir : « Avec quelle facilité puis-je penser à des exemples ? »

« Cette personne est-elle compétente ? » peut parfois devenir : « Cette personne paraît-elle sûre d’elle ? »

« Cette affirmation est-elle correctement démontrée ? » peut se transformer en : « Cette affirmation me paraît-elle familière ? »

Kahneman et Frederick ont développé cette idée pour rendre compte d’une partie des jugements intuitifs. Elle aide à comprendre pourquoi certaines réponses nous viennent avec une impression de pertinence immédiate alors que nous avons en réalité évalué une propriété plus accessible que celle qui nous intéressait.

Mais la substitution d’attribut n’est pas une théorie générale de toutes les heuristiques. Le *satisficing*, *Take-the-Best* ou l’élimination par aspects reposent sur des architectures différentes : critères, recherche ordonnée, règles d’arrêt et procédures de décision explicites. Réduire toutes les heuristiques à « remplacer inconsciemment une question difficile par une question facile » serait donc excessif.

Une stratégie doit être évaluée avec son environnement

Prenons une règle simple : lorsqu’un professionnel rencontre une situation ressemblant fortement à un cas familier, il commence par examiner l’hypothèse correspondant à ce cas.

Cette stratégie peut être excellente dans un domaine où les situations se répètent, où les signes pertinents sont relativement stables et où le professionnel bénéficie régulièrement d’un retour sur ses décisions. Elle peut lui permettre de reconnaître rapidement un problème sans repartir de zéro.

La même stratégie devient beaucoup plus risquée lorsqu’une situation inhabituelle imite superficiellement un cas fréquent, lorsque les taux de base ont changé ou lorsque l’environnement ne fournit jamais de feedback permettant de corriger les erreurs.

L’heuristique n’a pas changé. L’environnement, lui, a changé.

C’est pourquoi quatre questions doivent accompagner l’étude de chaque heuristique de cette rubrique :

  1. Quelle règle simplifiée est réellement utilisée ?
  2. Quelle information permet-elle d’économiser ou d’ignorer ?
  3. Dans quel environnement cette simplification peut-elle être efficace ?
  4. Dans quelles conditions risque-t-elle de produire des erreurs systématiques ?

Ces questions permettent de dépasser aussi bien une psychologie des « défauts du cerveau » qu’une célébration naïve de l’intuition.

Par rapport à quoi parle-t-on d’erreur ?

Dire qu’une heuristique produit une erreur suppose toujours l’existence d’un critère de référence.

Si quelqu’un estime qu’un événement survient dans 30 % des cas alors que sa fréquence mesurée est de 5 %, nous pouvons comparer l’estimation à une donnée empirique. Si un raisonnement contredit une règle probabiliste applicable au problème, nous pouvons identifier précisément cette divergence. Si une stratégie de prédiction obtient de moins bons résultats qu’une méthode concurrente sur de nouvelles données, nous pouvons comparer leurs performances.

Mais certaines situations sont plus ambiguës. Une personne peut disposer de moins d’informations que l’expérimentateur. Une norme mathématique peut supposer des probabilités connues alors qu’elles sont incertaines dans le monde réel. Le coût d’obtenir davantage d’informations peut être ignoré par le modèle utilisé comme référence.

Ces objections ne signifient pas que toutes les réponses se valent. Elles imposent plutôt de préciser la norme utilisée et les hypothèses qu’elle suppose.

De la même manière, constater qu’une règle fonctionne dans un environnement particulier ne suffit pas à démontrer qu’elle est rationnelle partout. La rationalité écologique reste une proposition empirique : il faut identifier la structure exploitée par la stratégie et vérifier qu’elle améliore effectivement le jugement ou la décision.

Cas pratique — faut-il continuer à chercher ?

Vous devez choisir entre plusieurs solutions à un problème relativement peu important. Après quelques recherches, une option satisfait tous vos critères essentiels. Vous pourriez continuer pendant deux heures afin de vérifier s’il existe une solution légèrement meilleure.

Une conception naïve de la rationalité pourrait conseiller de rechercher systématiquement le maximum d’informations. Une approche fondée sur la rationalité limitée ajoute une variable souvent oubliée : la recherche elle-même coûte quelque chose.

Si l’erreur éventuelle est mineure, la décision facilement réversible et le gain attendu d’une nouvelle recherche très faible, arrêter peut être parfaitement raisonnable.

Changeons maintenant un seul élément : la décision concerne un événement potentiellement grave et irréversible. Le bénéfice d’une vérification supplémentaire augmente considérablement. La même règle d’arrêt peut devenir beaucoup trop permissive.

Ce petit exemple illustre une idée qui reviendra tout au long de cette rubrique : une stratégie ne peut pas être évaluée indépendamment de ses coûts, de ses conséquences et de son environnement.

Identifier une heuristique ne réfute pas une croyance

Il faut enfin éviter une utilisation très fréquente mais fallacieuse de la psychologie cognitive.

Supposons qu’une personne accepte une affirmation parce que de nombreuses personnes compétentes semblent l’accepter. Nous pouvons constater qu’elle utilise partiellement une stratégie d’apprentissage social ou de confiance envers l’expertise. Cela ne nous dit pas encore si l’affirmation est vraie ou fausse.

Une croyance vraie peut avoir été adoptée pour de mauvaises raisons. Une croyance fausse peut résulter d’un raisonnement soigneux effectué à partir de données insuffisantes. Expliquer pourquoi quelqu’un croit quelque chose et déterminer si cette croyance est justifiée sont deux problèmes distincts.

Dire « tu crois cela à cause d’une heuristique » ne constitue donc pas une réfutation. Il faut encore examiner les preuves, les arguments et la fiabilité des sources.

Cette prudence doit également s’appliquer à nous-mêmes. Connaître le nom d’une heuristique ne nous place pas en dehors des mécanismes que nous étudions. L’objectif n’est pas de distribuer des diagnostics psychologiques à ceux qui se trompent, mais de comprendre quelles informations guident nos propres jugements et dans quelles conditions elles méritent notre confiance.

À retenir

Une heuristique est une stratégie simplifiée de recherche, de jugement ou de décision qui permet d’agir sans examiner toutes les informations ni effectuer tous les calculs possibles. Elle peut sélectionner quelques indices, réduire le nombre d’options considérées, fixer une règle d’arrêt ou fournir directement une règle de décision.

Cette simplification n’est pas nécessairement une faiblesse cognitive. Nous vivons avec un temps limité, des connaissances incomplètes et des capacités de calcul finies. Ignorer certaines informations peut donc être indispensable et, dans certains environnements, améliorer la robustesse d’une décision.

Mais heuristique et biais ne sont pas synonymes. Une heuristique désigne une stratégie ; un biais désigne une déviation systématique par rapport à un critère pertinent. La même stratégie peut être performante dans un environnement et trompeuse dans un autre.

Il faut également distinguer heuristique, intuition et automatisme. Une heuristique peut être consciente et délibérée ; une intuition peut provenir d’autres mécanismes ; un processus automatique n’est pas nécessairement une heuristique.

La question centrale de cette rubrique sera donc moins « comment supprimer nos raccourcis mentaux ? » que : quelle règle utilisons-nous, quelle information exploite-t-elle, pourquoi pourrait-elle fonctionner ici et dans quelles conditions risque-t-elle de nous tromper ?

Sources principales

Simon, Herbert A. (1955). « A Behavioral Model of Rational Choice », *The Quarterly Journal of Economics*, 69(1), 99-118. DOI : 10.2307/1884852.

Tversky, Amos & Kahneman, Daniel. (1974). « Judgment under Uncertainty: Heuristics and Biases », *Science*, 185(4157), 1124-1131. DOI : 10.1126/science.185.4157.1124.

Gigerenzer, Gerd, Todd, Peter M. & ABC Research Group. (1999). *Simple Heuristics That Make Us Smart*. Oxford University Press.

Kahneman, Daniel & Frederick, Shane. (2002). « Representativeness Revisited: Attribute Substitution in Intuitive Judgment », dans *Heuristics and Biases: The Psychology of Intuitive Judgment*. Cambridge University Press. DOI : 10.1017/CBO9780511808098.004.

Shah, Anuj K. & Oppenheimer, Daniel M. (2008). « Heuristics Made Easy: An Effort-Reduction Framework », *Psychological Bulletin*, 134(2), 207-222. DOI : 10.1037/0033-2909.134.2.207.

Gigerenzer, Gerd & Gaissmaier, Wolfgang. (2011). « Heuristic Decision Making », *Annual Review of Psychology*, 62, 451-482. DOI : 10.1146/annurev-psych-120709-145346.

Todd, Peter M. & Gigerenzer, Gerd. (2007). « Environments That Make Us Smart: Ecological Rationality », *Current Directions in Psychological Science*, 16(3), 167-171. DOI : 10.1111/j.1467-8721.2007.00497.x.

1 sur 17Retour à la catégorie