Une approximation de faible dimension de la confiance optimale

La prise de décision humaine est accompagnée d'un sentiment de confiance. Selon la théorie bayésienne de la décision, la confiance reflète la probabilité apprise de faire une réponse correcte, compte tenu des données disponibles (par exemple, les preuves stimuli accumulées et le temps de réponse). Bien que optimale, apprendre indépendamment ces probabilités pour toutes les combinaisons possibles de données est computationnellement infaisable. Ici, nous décrivons un nouveau modèle de confiance mettant en œuvre une approximation de faible dimension de cette solution optimale mais infaisable. Ce modèle permet une estimation efficace de la confiance, tout en prenant en compte les idiosyncrasies, différents types de biais et les écarts par rapport à la probabilité correcte optimale. Notre modèle dissocie les biais de confiance résultant de l'estimation par les individus de la fiabilité des preuves (capturée par le paramètre α), des biais de confiance résultant d'une sous- ou surconfiance indépendante du stimulus (capturée par le paramètre β). Nous fournissons des preuves empiriques que ce modèle ajuste avec précision à la fois les données de choix (précision, temps de réponse) et les évaluations de confiance au cas par cas simultanément. Enfin, nous testons et validons empiriquement deux nouvelles prédictions du modèle, à savoir que 1) les changements de confiance peuvent être indépendants de la performance et 2) la manipulation sélective de chaque paramètre de notre modèle conduit à des schémas distincts de jugements de confiance. En tant que compte rendu à la fois tractable et flexible du calcul de la confiance, notre modèle offre un cadre clair pour interpréter et résoudre davantage les différentes formes de biais de confiance.