Gap analysis — capacité humaine × capacité IA
Économie comportementale (théorie des perspectives) × Gradient Boosting (XGBoost/LightGBM/CatBoost)
Prédiction comportementale sur données tabulaires et théorie des perspectives
Fiches comparées
Économie comportementale (théorie des perspectives)Capacité humaine · SocialGradient Boosting (XGBoost/LightGBM/CatBoost)Capacité IA · Data science / modèles prédictifsApport de l'IA
Le gradient boosting prédit très finement les comportements observés sur données tabulaires — choix, réactions à un cadrage, décisions de crédit — là où la théorie des perspectives fournit une explication descriptive de l'asymétrie entre pertes et gains. Il n'apporte aucune théorie du comportement : il apprend des régularités sans énoncer de mécanisme psychologique, et son empilement d'arbres sacrifie l'interprétabilité qui fait la valeur explicative du modèle de Kahneman et Tversky.
Mécanisme
Combinaison itérative d'arbres corrigeant les erreurs résiduelles, avec régularisation contre le surapprentissage ; la fiche IA en fait le modèle de référence sur données tabulaires — apprentissage du classement dans les moteurs de recherche de Yahoo et Yandex, physique des hautes énergies au LHC — sans lui attribuer de niveau de maturité, une méthode prise en elle-même n'ayant pas de TRL.
Comment faire mieux
Confronter systématiquement les prédictions aux effets documentés par l'économie comportementale (aversion à la perte, cadrage) plutôt que de traiter la performance comme une fin ; contrôler le surapprentissage sur données bruitées et le réglage des hyperparamètres ; compléter par des méthodes d'explication, la lecture directe des chemins de décision devenant très difficile au-delà de quelques centaines d'arbres.
Mode d'interaction recommandé
Co-pilotage entre modélisation prédictive et théorie descriptive : le modèle repère les régularités sur données tabulaires, l'économiste en propose l'interprétation.
Substituabilité
Remplaçable avec supervision humaine
Scénarios temporels
Présent
En 2026, le gradient boosting est le choix par défaut de son domaine selon la fiche IA, déjà utilisé pour l'apprentissage du classement et l'analyse de données tabulaires, tandis que l'intégration des irrationalités documentées dans les modèles macroéconomiques agrégés reste difficile.
+5 ans
Si des jeux de données expérimentaux comportementaux sont couplés à ces modèles, les effets de cadrage pourraient être quantifiés à grande échelle plutôt qu'établis en laboratoire, à condition que les protocoles expérimentaux restent explicites.
+15/20 ans
Spéculatif : sous l'hypothèse d'une prédiction comportementale très fine intégrée aux interfaces, la question éthique de la manipulation algorithmique — déjà posée par l'exploitation des biais de cadrage — deviendrait le principal objet de régulation, devant la performance prédictive.
Axes possibles (perspectives, pas des prédictions tranchées)
Quantification à grande échelle des biais
Opinion majoritaireCouplage entre protocoles expérimentaux et modèles prédictifs pour mesurer les effets de cadrage hors du laboratoire.
Perte d'interprétabilité
Consensus scientifiqueFrein établi : l'empilement d'arbres rend les chemins de décision très difficiles à suivre, ce qui limite l'apport théorique du modèle.
Régulation de la manipulation algorithmique
Hypothèse prospectiveHypothèse d'un encadrement juridique visant l'exploitation délibérée des biais documentés par les interfaces pilotées par IA.
Sous-thèmes et axes de recherche
Sous-thèmes
- Aversion à la perte et effets de cadrage exploités par les interfaces
- Performance prédictive contre interprétabilité explicative
- Intégration des irrationalités dans les modèles agrégés
Axes de recherche
- Un modèle prédictif retrouve-t-il de lui-même les asymétries pertes/gains documentées depuis 1979 ?
- Comment distinguer une personnalisation utile d'une exploitation manipulatoire des biais cognitifs ?
- Quelles méthodes d'explication restituent une lecture économique interprétable d'un modèle à plusieurs centaines d'arbres ?
Documents clés
Données brutes de cette analyse : /api/gap/economie-comportementale-vs-gradient-boosting — méthode de comparaison détaillée dans la méthodologie.