Learning to Decide: Computational Mechanisms of Value Construction and Adaptive Choice

Jury :

• Jan Engelmann (UvA), 
• Thorsten Pachur (TUM), 
• Anastasia Buyalskaya (HEC), 
• Julie Grèzes (ENS), 
• Stefano Palminteri (ENS, thesis advisor)

Apprendre à décider ne consiste pas seulement à déterminer quelle option est la meilleure à un moment donné. Les décideurs doivent identifier les informations pertinentes, les utiliser pour construire des valeurs, puis réviser ces valeurs lorsque leurs objectifs ou leur environnement changent. Cette thèse étudie les méca ismes computationnels qui sous-tendent ces processus, ainsi que les conditions dans lesquelles l’apprentissage favorise la flexibilité ou, au contraire, maintient des schémas de choix antérieurs. Trois études empiriques associent des expériences comportementales à des modèles d’apprentissage par renforcement et à une modélisation bayésienne, tandis qu’une étude de simulation étend l’analyse aux comportements collectifs. Les résultats montrent que les choix dépendent non seulement des informations disponibles, mais aussi de la manière dont celles-ci sont présentées, sélectionnées par l’attention, représentées et mises à jour.  Ces processus façonnent les préférences face au risque, déterminent si les connaissances acquises peuvent être réutilisées lorsque les circonstances changent et influencent la manière dont l’apprentissage individuel contribue aux dynamiques collectives. En reliant le format de l’information, la représentation de la valeur, l’attention et l’apprentissage social, cette thèse développe une perspective computationnelle sur la construction de la valeur et la prise de décision adaptative.  Cette perspective aide à comprendre pourquoi l’adaptation réussit dans certains environnements décisionnels, mais reste limitée dans d’autres. Elle fournit
également des pistes pour concevoir des systèmes intelligents, des outils financiers et des politiques comportementales qui favorisent des décisions éclairées et flexibles.