EFFETS DE LA QUANTITÉ ET DE LA QUALITÉ DE L'INFORMATION SUR LES DÉCISIONS COLLECTIVES DANS LES GROUPES HUMAINS

In this thesis, we were interested in the impact of the quantity and quality of information ex- changed between individuals in a group on their collective performance in two very specific types of tasks. In a first series of experiments, subjects had to estimate quantities sequentially, and could revise their estimates after receiving the average estimate of other subjects as social information. We controlled this social information through virtual participants (which number we controlled) giving information (which value we controlled), unknowingly to the subjects. We showed that when subjects have little prior knowledge about a quantity to estimate, (the loga- rithms of) their estimates follow a Laplace distribution. Since the median is a good estimator of the center of a Laplace distribution, we defined collective performance as the proximity of the median (log) estimate to the true value. We found that after social influence, and when the information provided by the virtual agents is correct, the collective performance increases with the amount of information provided (fraction of virtual agents). We also analysed subjects’ sensitivity to social influence, and found that it increases with the distance between personal estimate and social information. These analyses made it possible to define five behavioral traits: to keep one’s opinion, to adopt that of others, to compromise, to amplify social information or to contradict it. Our results showed that the subjects who adopt the opinion of others are the ones who best improve their performance because they are able to benefit from the infor- mation provided by the virtual agents. We then used these analyses to construct and calibrate a model of collective estimation, which quantitatively reproduced the experimental results and predicted that a limited amount of incorrect information can counterbalance a cognitive bias that makes subjects underestimate quantities, and thus improve collective performance. Further experiments have validated this prediction.In a second series of experiments, groups of 22 pedestrians had to segregate into clusters of the same “color”, without visual cue (the colors were unknown), after a short period of random walk. To help them accomplish their task, we used an information filtering system (analogous to a sensory device such as the retina), taking all the positions and colors of individuals in input, and returning an acoustic signal to the subjects (emitted by tags attached to their shoulders) when the majority of their k nearest neighbors was of a different color from theirs. The rule was to stop walking when the signal stopped. We studied the impact of various values of k on segregation time and quality, defined as the number of clusters at final time, by analogy with phase separation phenomena (a segregation was considered “perfect” when two distinct clusters were formed). We found that segregation time is optimized for k = 7 ∼ 9, and that segregation quality increases with k up to k = 7 ∼ 9 as well, value beyond which it saturates. Our device has also allowed us to record the positions of the pedestrians during the experiments, which allowed us to characterize and model the interactions of pedestrians with the border of the arena and between them during the random walk phase. Using an error minimization procedure, we were able to reconstruct the precise functional forms of the interactions and built a fine model of collective pedestrian motion.Dans cette thèse, nous nous sommes intéressés à l’impact de la quantité et de la qualité de l’information échangée entre individus d’un groupe sur leurs performances collectives dans deux types de tâches bien spécifiques. Dans une première série d’expériences, les sujets devaient estimer des quantités séquentiellement, et pouvaient réviser leurs estimations après avoir reçu comme information sociale l’estimation moyenne d’autres sujets. Nous contrôlions cette information sociale à l’aide de participants virtuels (dont nous contrôlions le nombre) donnant une information (dont nous contrôlions la valeur), à l’insu des sujets. Nous avons montré que lorsque les sujets ont peu de connaissance préalable sur une quantité à estimer, (les logarithmes de) leurs estimations suivent une distribution de Laplace. La médiane étant un bon estimateur du centre d’une distribution de Laplace, nous avons défini la performance collective comme la proximité de la médiane (du logarithme) des estimations à la vraie valeur. Nous avons trouvé qu’après influence sociale, et lorsque les agents virtuels fournissent une information correcte, la performance collective augmente avec la quantité d’information fournie (fraction d’agents virtuels). Nous avons aussi analysé la sensibilité à l’influence sociale des sujets, et trouvé que celle-ci augmente avec la distance entre l’estimation personnelle et l’information sociale. Ces analyses ont permis de définir 5 traits de comportement : garder son opinion, adopter celle des autres, faire un compromis, amplifier l’information sociale ou au contraire la contredire. Nos résultats montrent que les sujets qui adoptent l’opinion des autres sont ceux qui améliorent le mieux leur performance, car ils sont capables de bénéficier de l’information apportée par les agents virtuels. Nous avons ensuite utilisé ces analyses pour construire et calibrer un modèle d’estimation collective, qui reproduit quantitativement les résultats expérimentaux et prédit qu’une quantité limitée d’information incorrecte peut contrebalancer un biais cognitif des sujets consistant à sous-estimer les quantités, et ainsi améliorer la performance collective. D’autres expériences ont permis de valider cette prédiction.Dans une seconde série d’expériences, des groupes de 22 piétons devaient se séparer en clusters de la même “couleur”, sans indice visuel (les couleurs étaient inconnues), après une courte période de marche aléatoire. Pour les aider à accomplir leur tâche, nous avons utilisé un système de filtrage de l’information disponible (analogue à un dispositif sensoriel tel que la rétine), prenant en entrée l’ensemble des positions et couleurs des individus, et retournant un signal sonore aux sujets (émit par des tags attachés à leurs épaules) lorsque la majorité de leurs k plus proches voisins était de l’autre couleur que la leur. La règle consistait à s’arrêter de marcher lorsque le signal stoppait. Nous avons étudié l’impact de diverses valeurs de k sur le temps et la qualité de la ségrégation, définie comme le nombre de clusters à l’instant final, par analogie avec les phénomènes de séparation de phase (une ségrégation “parfaite” correspondant à la formation de deux clusters bien distincts). Nous avons trouvé que le temps de ségrégation est optimisé pour k = 7 ∼ 9, et que la qualité de la ségrégation augmente avec k jusqu’à k = 7 ∼ 9 également, valeur au-delà de laquelle elle sature. Notre dispositif nous a également permis d’enregistrer les positions des piétons durant les expériences, ce qui nous a permis de caractériser et modéliser les interactions des piétons avec le bord de l’arène et entre eux durant la marche aléatoire. À l’aide d’une procédure de minimisation d’erreur, nous avons reconstruit les formes fonctionnelles précises des interactions et construit un modèle fin de mouvement collectif de piétons