Modélisation qualitative des préférences et de la prise de décision humaines sous incertitude : cadres normatifs et évaluation cognitive
Résumé
Les recherches en intelligence artificielle depuis plus d'une décennie ont largement contribué au développement de modélisations pour le raisonnement et la décision en présence d'incertitude, permettant une représentation qualitative des connaissances et des préférences des agents. L'équipe IRIT partenaire de ce projet a d'ailleurs fortement contribué au développement de tels modèles. L'intérêt en intelligence artificielle pour des modèles qualitatifs est principalement motivé par la nature des informations disponibles, exprimées par les agents humains (en particulier lorsque ces informations sont incomplètes). Il est aussi motivé par le besoin de formaliser des procédures rigoureuses de raisonnement par défaut, capables d'inférer des conclusions plausibles non monotones (car révisables) à partir de situations incomplètement décrites et de règles génériques présentant des exceptions potentielles. De tels outils de modélisation doivent être non seulement développés dans des cadres axiomatiques permettant d'en garantir les propriétés, mais aussi validés psychologiquement. Ce dernier point est un enjeu important car les systèmes de raisonnement et d'aide à la décision sont destinés à être interfacés avec des opérateurs et des utilisateurs humains. Par ailleurs, de manière générale, l'étude des mécanismes humains de prise de décision (choix d'une action) constitue une source potentielle d'idées à importer dans les modèles développés en économie et en intelligence artificielle.