Mémoire - Master en Sciences Cognitives
Dans le cadre de mon Master en Sciences Cognitives, je mène un projet de recherche sur deux ans sous la supervision d'Arthur Prével. Le projet porte sur le biais d'automatisation (automation bias) dans les systèmes d'aide à la décision (SAD), un type de système autonome. Le projet de recherche s'étend sur les deux années de mon Master.
La première année a été consacrée au développement théorique et méthodologique du projet, notamment à la revue de la littérature, à la formulation des hypothèses et à la conception du protocole expérimental. Au cours de cette période, j'ai également développé et programmé l'expérience en ligne dans le cadre de mon stage de 210 heures, ce qui m'a permis de réaliser une première étude pilote et d'évaluer la procédure expérimentale. (Consultez cette page pour plus d'informations sur le stage.)
Le projet entre actuellement dans sa deuxième année. La prochaine étape consiste à déployer la version finalisée de l'expérience en ligne auprès d'un échantillon plus important de participants. Cette phase permettra de recueillir un volume de données significativement plus important, afin de réaliser les analyses principales et d'obtenir des conclusions plus robustes concernant le biais d’automatisation, la transparence du système et la dépendance envers les systèmes d’aide à la décision.
Mon projet de recherche de Master ainsi que mon stage ont tous deux été financés dans le cadre du projet DePERU (Decision-making Processes under Extreme Radical Uncertainties), un projet de recherche pluridisciplinaire de l’Université de Lille. Mon directeur de mémoire, Arthur Prével, participe à ce projet au sein de l’axe 3 : Choice.
Comment les variations de la transparence du système et des contingences de récompense interagissent-elles pour façonner la dépendance conditionnée envers un système d’aide à la décision ?
Les systèmes autonomes d’aide à la décision peuvent améliorer les performances, mais ils peuvent également renforcer le biais d’automatisation lorsque les utilisateurs s’y fient de manière non critique. Cette étude cherche donc à déterminer comment la transparence du système et les contingences de récompense interagissent pour influencer la dépendance conditionnée envers un système d’aide à la décision. L’objectif principal était de déterminer si l’ajout d’informations de transparence et la manipulation des conséquences associées aux réponses correctes et incorrectes pouvaient modifier les performances, les comportements de dépendance et la calibration de la confiance. L’étude pilote a été menée auprès de 13 participants, selon un plan expérimental mixte. Les participants ont réalisé une tâche de détection sur des images radiographiques sous trois conditions d’assistance par IA : sans IA, IA opaque et IA transparente. Deux types de contingences de récompense étaient assignés entre les participants : une condition avec gain uniquement et une condition avec gain et perte. La précision et les temps de réaction ont été analysés à l’aide d’ANOVA mixtes. Les taux d’accord avec les recommandations de l’IA ont également été comparés entre les différentes conditions, notamment pendant les phases normales, d’erreur et suivant une erreur. Les résultats ne montrent aucun effet significatif de la contingence de récompense sur la précision, les temps de réaction ou la charge de travail, ni de différence significative de précision globale entre les différentes conditions d’assistance par IA. Toutefois, la condition avec IA transparente était associée aux temps de réaction les plus rapides. En conclusion, les résultats de cette étude pilote suggèrent que la transparence pourrait favoriser un meilleur ajustement de la confiance envers le système, tandis que la manipulation des récompenses n’a pas produit d’effet mesurable dans cet échantillon pilote.
Technologies utilisées
HTML
CSS
JavaScript
R
Pavlovia
Overleaf
Canva
Galerie
