Take-the-Best — décider à partir du meilleur indice disponible
Vous devez déterminer laquelle de deux villes possède la plus grande population, sans connaître leur nombre exact d’habitants. Vous disposez toutefois de plusieurs indices : l’une possède un aéroport international, l’une est capitale régionale, l’une dispose d’une équipe sportive professionnelle, l’une possède une grande université.
Une méthode complète pourrait examiner tous ces indices, leur attribuer un poids et calculer une estimation globale pour chaque ville.
Take-the-Best (*TTB*) procède autrement. Les indices sont classés selon leur capacité à prédire correctement le critère recherché. On examine le meilleur indice. S’il distingue les deux villes, on décide immédiatement. S’il ne les distingue pas, on passe au suivant. Dès qu’un indice discriminant est rencontré, la recherche s’arrête et les informations restantes sont ignorées.
Cette règle, formalisée par Gerd Gigerenzer et Daniel Goldstein dans les années 1990, constitue l’un des exemples les plus étudiés de fast and frugal heuristic : une stratégie suffisamment précise pour que ses prédictions puissent être testées et comparées à celles d’autres modèles.
Son intérêt n’est pas de montrer qu’« un seul indice vaut toujours mieux que plusieurs ». Il est beaucoup plus précis : dans certains environnements, le meilleur indice contient suffisamment d’information pour que traiter les autres apporte peu de bénéfice, voire dégrade la prédiction lorsque les données disponibles pour estimer leurs poids sont rares ou bruitées.
Une heuristique définie comme un algorithme
Take-the-Best est particulièrement utile pédagogiquement parce qu’il ne s’agit pas d’une étiquette vague attribuée après coup à un comportement.
La règle possède trois composantes explicites.
Règle de recherche : examiner les indices dans l’ordre décroissant de leur validité.
Règle d’arrêt : interrompre la recherche dès qu’un indice distingue les deux options.
Règle de décision : choisir l’option favorisée par cet indice.
Supposons que trois indices soient disponibles pour prédire laquelle de deux villes est la plus peuplée :
- possède-t-elle un aéroport international ?
- possède-t-elle une université importante ?
- possède-t-elle une équipe sportive professionnelle ?
Si l’aéroport constitue l’indice le plus valide et qu’une seule des deux villes en possède un, Take-the-Best choisit immédiatement cette ville.
Il n’examine même pas les deux autres indices.
Si les deux villes possèdent un aéroport, l’indice ne discrimine pas : on passe alors au deuxième. Et ainsi de suite.
Cette structure distingue TTB d’une simple intuition du type « je regarde ce qui me semble important ». La stratégie peut être programmée dans un ordinateur et ses résultats comparés exactement à ceux d’une régression, d’un modèle additif ou d’une autre heuristique. C’est l’une des grandes contributions du programme des *fast and frugal heuristics* : transformer certaines hypothèses sur les raccourcis cognitifs en modèles calculables et falsifiables.
Qu’est-ce que le « meilleur » indice ?
Le nom *Take-the-Best* peut prêter à confusion. Le « meilleur » indice n’est pas nécessairement celui qui nous paraît subjectivement le plus important.
Dans la formulation classique, les indices sont notamment classés selon leur validité : lorsqu’un indice distingue deux options, à quelle fréquence indique-t-il correctement celle dont la valeur est la plus élevée sur le critère recherché ?
Supposons que la présence d’un aéroport international permette de choisir correctement la ville la plus peuplée dans 80 % des comparaisons où l’une en possède un et l’autre non. Sa validité est alors élevée.
Un autre indice, par exemple la présence d’un musée particulier, pourrait ne réussir que dans 55 % des cas.
Take-the-Best examine le premier avant le second.
La stratégie nécessite donc déjà une connaissance de l’environnement. Elle n’est simple qu’au moment de la décision. Il a fallu auparavant apprendre, estimer ou recevoir un ordre de validité des indices.
C’est une remarque importante : une heuristique rapide peut reposer sur un apprentissage antérieur beaucoup plus coûteux.
Une seule raison peut-elle vraiment suffire ?
La propriété la plus radicale de Take-the-Best est son caractère non compensatoire.
Supposons que le meilleur indice favorise la ville A.
Les cinq indices suivants pourraient tous favoriser B.
TTB choisira néanmoins A parce que la recherche s’est arrêtée après le premier indice discriminant.
Les informations inférieures ne peuvent donc pas compenser le meilleur indice.
Une stratégie additive ferait exactement l’inverse : elle intégrerait plusieurs informations. Si suffisamment d’indices favorisent B, ils pourraient collectivement l’emporter sur l’indice supérieur favorable à A.
Ces deux stratégies représentent des hypothèses très différentes sur la structure du problème.
Si le meilleur indice est extrêmement informatif et que les indices suivants lui sont largement redondants, les examiner ajoute peu de valeur.
Mais si plusieurs indices plus faibles apportent chacun une information indépendante, les ignorer peut devenir coûteux.
La question décisive est donc encore une fois écologique : quelle est la structure statistique de l’environnement ?
Dans quels environnements Take-the-Best fonctionne-t-il bien ?
Les travaux théoriques de Robin Hogarth et Natalia Karelaia ont permis de préciser cette question.
TTB obtient notamment de bonnes performances lorsque l’environnement possède une structure relativement non compensatoire : l’indice le plus important apporte une information telle que les indices moins importants, même combinés, changent rarement la bonne réponse.
Dans des environnements plus compensatoires, où plusieurs indices de poids voisin apportent des informations complémentaires, des règles combinant davantage de données peuvent être supérieures. Hogarth et Karelaia montrent ainsi que des stratégies hybrides ou à pondération égale deviennent plus avantageuses à mesure que l’environnement devient plus compensatoire.
La redondance joue également un rôle. Si cinq indices racontent essentiellement la même chose, les intégrer tous ne revient pas à disposer de cinq informations indépendantes. Le premier bon indice peut déjà contenir l’essentiel du signal.
La structure favorable à TTB ressemble donc schématiquement à ceci : quelques indices très informatifs, une hiérarchie relativement nette entre eux et beaucoup d’information redondante dans les indices supplémentaires.
Une structure défavorable ressemble davantage à ceci : plusieurs indices imparfaits, chacun apportant une petite quantité d’information différente, qu’il est utile d’agréger.
Pourquoi ignorer de l’information peut-il parfois améliorer une prédiction ?
Cette affirmation est probablement la partie la plus contre-intuitive du programme.
Si une information est pertinente, pourquoi l’ignorer pourrait-il améliorer quoi que ce soit ?
Il faut distinguer deux situations.
Si nous connaissons parfaitement les relations entre tous les indices et le résultat, et si notre modèle est correctement spécifié, intégrer davantage d’informations pertinentes devrait normalement aider.
Mais dans de nombreuses situations réelles, nous devons apprendre ces relations à partir d’un échantillon limité et bruité.
Un modèle complexe doit alors estimer plusieurs paramètres. Certains refléteront de véritables relations ; d’autres captureront accidentellement le bruit particulier de l’échantillon.
Une règle simple comme TTB estime beaucoup moins de choses. Elle risque de passer à côté de certaines informations utiles, mais elle risque également moins de surajuster les données.
Gigerenzer et Gaissmaier soulignent ainsi que des heuristiques simples peuvent parfois mieux prédire de nouvelles observations lorsque la prédictibilité est faible et que l’échantillon d’apprentissage est petit.
C’est une version du problème déjà rencontré dans la fiche sur la rationalité écologique : la stratégie qui explique le mieux les données passées n’est pas toujours celle qui généralise le mieux.
Les premiers résultats spectaculaires
Dans leur article de 1996, Gigerenzer et Goldstein ont comparé par simulation Take-the-Best à plusieurs stratégies utilisant davantage d’informations, notamment des procédures proches de modèles linéaires.
TTB obtenait des performances étonnamment bonnes tout en recherchant et traitant beaucoup moins d’informations. Dans plusieurs comparaisons, les stratégies fondées sur une seule raison rivalisaient avec des méthodes beaucoup plus complexes.
Ces résultats ont joué un rôle important dans le développement du programme de la boîte à outils adaptative (*adaptive toolbox*).
Ils montraient qu’il était incorrect de déduire automatiquement :
moins d’information → moins bonne décision.
Mais ils ne démontraient pas non plus :
moins d’information → meilleure décision.
Les performances observées dépendaient des propriétés des jeux de données utilisés et des modèles de comparaison.
Hogarth et Karelaia ont notamment montré ultérieurement que les avantages relatifs de TTB variaient fortement avec la structure de l’environnement et que, dans certains jeux de données utilisés par les travaux initiaux, plusieurs stratégies simples obtenaient des performances proches.
La conclusion intéressante n’est donc pas la victoire universelle de Take-the-Best. C’est l’abandon de l’idée selon laquelle la stratégie traitant le plus d’informations doit nécessairement être la meilleure.
« Less is more » : une possibilité, pas une loi
Take-the-Best est souvent associé au célèbre less-is-more effect : dans certaines conditions, disposer de moins d’informations peut conduire à davantage de bonnes réponses.
Comme pour l’heuristique de reconnaissance, cette formule est facilement transformée en slogan trompeur.
L’effet dépend de conditions particulières.
Un décideur disposant d’une petite quantité d’information peut utiliser un indice relativement fiable sans être distrait par des indices plus faibles. Une procédure complexe apprise sur peu de données peut attribuer des poids erronés à ces informations supplémentaires. Dans ce contexte, la stratégie plus simple peut mieux généraliser.
Mais si les informations supplémentaires sont réellement prédictives et si leur poids peut être estimé correctement, les ignorer n’apporte aucun avantage mystérieux.
Le « moins » n’est donc pas supérieur parce qu’il est moins.
Il peut être supérieur lorsque le coût et l’erreur liés à l’estimation d’informations supplémentaires dépassent le bénéfice qu’elles apportent.
C’est une différence fondamentale.
Les humains utilisent-ils réellement Take-the-Best ?
Jusqu’ici, nous avons surtout parlé de performance.
Une autre question est pourtant distincte :
les individus prennent-ils effectivement leurs décisions de cette manière ?
Les résultats sont beaucoup plus variables.
Certaines expériences fournissent des preuves assez nettes d’un traitement non compensatoire compatible avec TTB. Bröder et Schiffer ont, par exemple, obtenu dans une expérience où les informations devaient être récupérées en mémoire une classification de 64 % des participants comme utilisateurs de Take-the-Best. Ils ont également montré que la manière dont l’information est représentée influence fortement la stratégie employée.
D’autres expériences trouvent beaucoup moins d’utilisateurs.
Une revue systématique publiée en 2022 sur les décisions où les attributs sont directement fournis aux participants rapporte une très grande variation, avec des proportions d’utilisation de stratégies non compensatoires allant approximativement de 0 à 81 % selon les études.
Ces résultats rendent difficile la thèse selon laquelle Take-the-Best serait la manière naturelle ou universelle dont l’être humain décide.
Il semble plus plausible que les individus disposent de plusieurs stratégies et que leurs choix dépendent de la tâche, de la représentation des informations, de leurs connaissances et de leur expérience.
Les stratégies elles-mêmes peuvent être apprises
Cette flexibilité a été étudiée directement.
Rieskamp et Otto ont proposé un modèle d’apprentissage de sélection des stratégies (*Strategy Selection Learning*, SSL). Dans leurs expériences, les participants recevaient un retour sur leurs décisions et pouvaient progressivement découvrir quelles stratégies fonctionnaient le mieux dans l’environnement rencontré.
Au fil de l’apprentissage, leurs choix devenaient davantage compatibles avec la stratégie qui obtenait effectivement les meilleures performances dans cet environnement particulier.
Ce résultat est particulièrement important pour la rationalité écologique.
Il ne suffit pas qu’une bonne heuristique existe.
Un organisme adaptatif doit également résoudre un problème de niveau supérieur :
quelle heuristique dois-je utiliser ici ?
On peut appeler cela une métadécision : choisir la règle avec laquelle on choisira.
La rationalité ne se situe alors plus seulement dans Take-the-Best lui-même, mais dans la capacité à changer de stratégie lorsque l’environnement change.
Cas pratique — sélectionner entre deux candidatures
Imaginons deux candidats pour un poste technique.
Le recruteur dispose de quatre indices classés à partir de l’expérience passée :
- réussite à une épreuve professionnelle très prédictive ;
- expérience dans une tâche comparable ;
- diplôme ;
- qualité de la lettre de motivation.
Les candidats obtiennent exactement le même résultat à l’épreuve professionnelle. Le premier indice ne discrimine donc pas.
Le candidat A possède une expérience directement comparable, le candidat B non.
Take-the-Best s’arrête immédiatement et choisit A.
Il ne tient pas compte du fait que B possède un meilleur diplôme et une lettre mieux évaluée.
Cette stratégie peut être excellente si l’expérience comparable prédit réellement beaucoup mieux la réussite dans le poste et si les autres indices ajoutent très peu d’information.
Mais imaginons que les quatre variables soient chacune modérément prédictives et apportent des informations largement indépendantes.
Ignorer trois critères simplement parce qu’un indice légèrement supérieur favorise A devient beaucoup plus difficile à justifier.
La même règle peut donc être remarquablement efficace dans une organisation et médiocre dans une autre.
Avant d’adopter une procédure simple, il faut étudier la structure réelle des performances passées.
« Le meilleur indice » peut changer
Un autre problème est souvent oublié : les validités ne sont pas éternelles.
Un diplôme pouvait constituer un excellent prédicteur de certaines compétences lorsque très peu de personnes possédaient ce diplôme. Après une transformation du système éducatif ou du métier, sa valeur peut diminuer.
Un indicateur économique prédictif pendant vingt ans peut perdre de sa valeur après un changement institutionnel.
Une caractéristique médicale pertinente dans une population peut être moins informative dans une autre.
Take-the-Best suppose donc que l’ordre des indices soit suffisamment stable.
Dans un environnement dynamique, il faut réestimer périodiquement leur validité.
Cette contrainte rapproche TTB de l’expertise : une règle apprise dans un environnement ancien peut devenir dangereuse lorsqu’elle est appliquée après une modification importante du domaine.
La simplicité de la règle n’élimine pas le besoin de mise à jour.
Le problème de la validité estimée sur peu de données
Une autre difficulté apparaît avant même l’utilisation de Take-the-Best.
Comment savons-nous quel indice est le meilleur ?
Si les validités ont été estimées sur dix observations seulement, leur classement peut être largement dû au hasard.
Un indice affichant 80 % de réussite et un autre 70 % peuvent en réalité avoir des performances très proches dans la population.
Le classement strict :
indice A > indice B > indice C
donne alors une impression de précision excessive.
Ce problème est important parce que TTB dépend beaucoup de l’ordre des indices : le premier qui discrimine peut décider entièrement du choix.
Une bonne application de la stratégie exige donc que la hiérarchie des indices soit elle-même suffisamment fiable.
Lorsque nous disposons de peu de données, une règle plus robuste comme la pondération égale peut parfois être préférable précisément parce qu’elle évite d’estimer finement des différences de poids très incertaines.
Take-the-Best, tallying ou modèle pondéré ?
La comparaison entre plusieurs règles permet de comprendre les enjeux.
Take-the-Best classe les indices, examine le meilleur disponible et s’arrête au premier qui distingue les options.
Tallying ignore les différences de poids et compte simplement combien d’indices favorisent chaque option.
Une règle additive pondérée examine les différents indices et leur attribue des poids différents avant de les combiner.
Aucune n’est automatiquement supérieure.
Si un indice domine réellement les autres, TTB peut être remarquablement efficace.
Si plusieurs indices possèdent une valeur comparable mais qu’on ne sait pas estimer précisément leurs poids, *tallying* peut être robuste.
Si plusieurs informations indépendantes apportent chacune un signal important et que leurs poids sont bien connus, la règle additive peut exploiter davantage d’information.
Une synthèse consacrée à la rationalité écologique résume ainsi TTB comme particulièrement adapté à des environnements où la structure des indices rend la recherche séquentielle efficace, alors que les stratégies additives deviennent plus intéressantes lorsque l’information est davantage compensatoire.
Une boîte à outils rationnelle contient donc plusieurs outils.
Simplicité descriptive et simplicité computationnelle
Une dernière nuance est importante.
Take-the-Best est un algorithme très simple à décrire.
Mais cela ne signifie pas nécessairement qu’un individu l’exécute consciemment sous la forme :
« Je calcule d’abord les validités, je les ordonne, puis j’effectue une recherche lexicographique. »
Une personne expérimentée peut avoir appris implicitement quels indices sont les plus importants. Une règle pourrait être acquise par feedback sans que l’individu soit capable de la verbaliser.
Inversement, un comportement compatible avec TTB peut parfois être produit par un autre mécanisme.
C’est le problème général de l’identification des stratégies : observer le choix final ne suffit souvent pas pour déterminer le processus qui l’a produit. Bröder et Schiffer ont précisément développé des méthodes de comparaison de modèles afin de distinguer TTB de stratégies compensatoires plutôt que d’inférer le mécanisme à partir de quelques décisions isolées.
Dire qu’un comportement « ressemble à Take-the-Best » doit donc rester différent de démontrer que Take-the-Best est bien le processus cognitif employé.
Une heuristique particulièrement importante pour l’esprit critique
Take-the-Best apporte une leçon plus générale que la seule stratégie qu’il décrit.
Il montre pourquoi l’idée :
« plus une décision prend en compte d’informations, plus elle est rationnelle »
est trop simple.
Une bonne décision ne demande pas nécessairement de collecter tout ce qui est disponible.
Elle demande de collecter ce qui est suffisamment informatif pour le problème considéré.
Mais TTB permet aussi d’éviter l’excès inverse :
« les modèles simples battent les modèles complexes ».
Ce n’est pas davantage une loi.
La bonne question porte toujours sur la correspondance entre structure de la règle et structure de l’environnement.
Une stratégie qui ignore presque tout peut être brillante lorsque ce qu’elle conserve contient l’essentiel du signal.
Elle devient mauvaise lorsque ce qu’elle ignore contient précisément l’information nécessaire pour corriger le premier indice.
Comment savoir si une règle de type Take-the-Best est appropriée ?
Avant d’utiliser une procédure fondée sur un indice dominant, plusieurs questions sont nécessaires.
Le premier indice est-il réellement beaucoup plus prédictif que les suivants ?
Les autres informations sont-elles surtout redondantes, ou apportent-elles des éléments indépendants ?
Le classement des indices repose-t-il sur suffisamment de données ?
L’environnement est-il stable ?
Quelle est la conséquence d’une erreur ?
Le coût d’examiner quelques indices supplémentaires est-il réellement important ?
Et surtout : comment cette règle se comporte-t-elle sur de nouvelles données qui n’ont pas servi à la construire ?
Cette dernière question empêche de choisir une heuristique uniquement parce qu’elle explique élégamment les exemples passés.
Une stratégie mérite confiance lorsqu’elle prédit correctement hors échantillon, dans l’environnement auquel elle est destinée.
À retenir
Take-the-Best est une heuristique formelle de comparaison entre deux options. Elle examine les indices par ordre de validité, arrête la recherche dès que le premier indice discriminant est rencontré et choisit l’option favorisée par cet indice. Elle est donc rapide, parcimonieuse et non compensatoire : les indices moins importants ne peuvent pas renverser la décision une fois la recherche arrêtée.
Les travaux initiaux ont montré qu’une telle stratégie peut rivaliser avec des modèles utilisant beaucoup plus d’informations. Mais cela ne signifie pas que TTB est universellement supérieur. Ses performances dépendent de l’environnement. Elle fonctionne particulièrement bien lorsque quelques indices dominent les autres et lorsque l’information restante est suffisamment redondante. Dans des environnements plus compensatoires, agréger plusieurs indices peut être préférable.
Il faut également séparer performance normative et description psychologique. Les humains utilisent parfois des stratégies compatibles avec Take-the-Best, mais les études trouvent une forte variabilité entre individus et tâches. Une revue de 2022 rapporte des proportions d'utilisation de stratégies non compensatoires allant de presque aucune à une très large majorité selon les expériences.
Les travaux sur l’apprentissage montrent en outre que les individus peuvent progressivement privilégier la stratégie qui fonctionne le mieux lorsqu’ils reçoivent suffisamment de feedback.
Take-the-Best ne démontre donc pas que « moins d’information est meilleur ». Il démontre quelque chose de plus intéressant :
la valeur d’une information supplémentaire dépend de ce qu’elle ajoute réellement à ce que nous savons déjà.
La question critique est donc :
« Cet indice est-il suffisamment prédictif pour justifier l’arrêt de la recherche, ou les informations que j’ignore pourraient-elles réellement changer la décision ? »
Sources principales
Gigerenzer, Gerd & Goldstein, Daniel G. (1996). « Reasoning the Fast and Frugal Way: Models of Bounded Rationality », *Psychological Review*, 103(4), 650-669. DOI : 10.1037/0033-295X.103.4.650.
Bröder, Arndt & Schiffer, Stefanie. (2003). « Take the Best Versus Simultaneous Feature Matching: Probabilistic Inferences From Memory and Effects of Representation Format », *Journal of Experimental Psychology: General*, 132(2), 277-293. DOI : 10.1037/0096-3445.132.2.277.
Bröder, Arndt & Schiffer, Stefanie. (2003). « Bayesian Strategy Assessment in Multi-Attribute Decision Making », *Journal of Behavioral Decision Making*, 16(3), 193-213. DOI : 10.1002/bdm.442.
Rieskamp, Jörg & Otto, Philipp E. (2006). « SSL: A Theory of How People Learn to Select Strategies », *Journal of Experimental Psychology: General*, 135(2), 207-236. DOI : 10.1037/0096-3445.135.2.207.
Hogarth, Robin M. & Karelaia, Natalia. (2006). « “Take-the-Best” and Other Simple Strategies: Why and When They Work “Well” with Binary Cues », *Theory and Decision*, 61, 205-249. DOI : 10.1007/s11238-006-9000-8.
Hogarth, Robin M. & Karelaia, Natalia. (2007). « Heuristic and Linear Models of Judgment: Matching Rules and Environments », *Psychological Review*, 114(3), 733-758. DOI : 10.1037/0033-295X.114.3.733.
Gigerenzer, Gerd & Gaissmaier, Wolfgang. (2011). « Heuristic Decision Making », *Annual Review of Psychology*, 62, 451-482. DOI : 10.1146/annurev-psych-120709-145346.