Chapitre 7. Le raisonnement1

Jean-François Bonnefon
  • 1 Ce chapitre a bénéficié des commentaires de Marco Heimann et Sylvie Leblois.

1La psychologie cognitive est fondée sur l’analogie entre le cerveau humain et l’ordinateur, tous deux conçus comme des systèmes de traitement de l’information. Les questions qui se posent à la psychologie cognitive concernent donc en particulier la panoplie de logiciels mentaux qui permettent au cerveau d’assimiler, de stocker, et de manipuler l’information qui lui parvient. Les logiciels mentaux dédiés au raisonnement ont ceci de particulier que leur mission est de parvenir à créer de l’information qui ne soit ni directement observée, ni rapportée par un autre système de traitement de l’information (un autre être humain, un agent artificiel), ni directement retrouvée en mémoire.

2Le domaine du raisonnement est vaste, et il ne saurait être question de le survoler entièrement dans ce chapitre. Il ne serait pas raisonnable de vouloir passer en revue les différentes formes que peut prendre le raisonnement (mais cf. Politzer 2002), ni même les principales théories psychologiques du raisonnement, qui sont entre quatre et dix selon les comptes. Plutôt donc que d’organiser ce chapitre le long des formes du raisonnement, ou le long des théories du raisonnement, nous allons tour à tour examiner trois grandes questions qui traversent la discipline, et qui la relient aux disciplines connexes des sciences cognitives.

3La première section de cette contribution aborde le problème de l’intégration de nos connaissances préalables au matériau sur lequel nous raisonnons. Nous semblons en effet raisonner très différemment selon que nous nous voyons proposer des quantités algébriques, par exemple (1), ou bien du matériau linguistique familier, par exemple (2) :

(1) a. Tous les x sont des y.
b.
Les z ne sont pas des y.
c.
Donc, les z ne sont pas des x ?

(2) a. Toutes les vaches ont quatre pattes.
b. Les serpents n’ont pas quatre pattes.
c. Donc, les serpents ne sont pas des vaches ?

4Nous verrons que cette question est centrale dans les approches dites duales de la cognition, et qu'elle a motivé de stimulantes collaborations entre psychologie du raisonnement et imagerie cérébrale.

5Après avoir traité des effets de contenu, nous aborderons les effets de contexte. En effet, la psychologie du raisonnement a abondamment démontré que l’information qui nous parvient est traitée dans son contexte général, et que ce contexte détermine à la fois l’interprétation de l’information et notre façon de la traiter. Un aspect important du contexte du raisonnement consiste à connaître les buts et les préférences des différents acteurs de la situation, et nous verrons comment la psychologie du raisonnement a progressivement emprunté à l’économie ses notions théoriques d’utilité et de choix rationnel.

6Enfin, nous considérerons dans une dernière section le problème de l’incertitude qui entoure nos informations et nos conclusions. Nous verrons que le thème de l’incertitude est devenu essentiel à la psychologie du raisonnement, et que ce mouvement théorique s’est accompagné d’une recrudescence des interactions entre psychologie cognitive et intelligence artificielle.

Les croyances préalables

7La psychologie du raisonnement s’est historiquement construite sur le postulat que la logique formelle était la norme du raisonnement, à l’aune de laquelle les inférences humaines devaient être évaluées (Evans 2002). Dans une telle perspective, il était légitime de faire raisonner les sujets d’expérience sur des contenus algébriques (si p alors q ; certains x sont des y) ou arbitraires (si Alice est à Milan, alors Ben est à Paris ; certains losanges sont verts).

8L’accumulation des preuves de ce que la logique déductive classique ne pouvait servir de théorie psychologique du raisonnement humain a conduit les psychologues du raisonnement à se donner davantage de liberté dans le contenu linguistique des raisonnements utilisés dans leurs expériences. Le constat s’est rapidement imposé que ce contenu linguistique était un déterminant essentiel du raisonnement. Considérons par exemple les deux règles suivantes, empruntées à De Neys, Schaeken et d’Ydewalle (2002) :

(3) a. Si Marie plonge dans la piscine, elle se trouve trempée.
b. Si on appuie sur la détente du fusil, le fusil fait feu.

9Ces deux règles ont la même structure de surface, « si p alors q ». Logiquement parlant, une telle règle autorise la conclusion q lorsque nous apprenons que p, mais n’autorise pas la conclusion p lorsque nous apprenons que q. Nous semblons de fait adopter un tel comportement lorsque nous raisonnons sur l’exemple (3a). Les raisonneurs à qui l’on fournit la règle (3a) et l’information « Marie plonge dans la piscine » acceptent de conclure que Marie est trempée, mais ils refusent de conclure que Marie a plongé dans la piscine à partir de la règle (3a) et de l’information « Marie se retrouve trempée ».

10Toutefois, le comportement des raisonneurs s’inverse lorsqu’ils raisonnent sur l’exemple (3b). Ils hésitent maintenant à conclure que le fusil fait feu à partir de la règle (3b) et de l’information « on appuie sur la détente du fusil », mais ils acceptent de conclure que l’on a appuyé sur la détente du fusil à partir de la règle (3b) et de l’information « le fusil fait feu ».

11L’explication de ce phénomène tient au fait que nous disposons de connaissances préalables sur le monde, qui viennent se greffer sur le contenu du problème. Ainsi, il nous est facile d’imaginer de multiples raisons pour que Marie se trouve trempée sans avoir plongé dans une piscine (q sans p) ; mais il nous est plus difficile d’imaginer une situation où Marie plonge dans la piscine sans s’en trouver trempée (p sans q).

12À l'inverse, il nous est facile d’imaginer des situations où l’on appuie sur la détente du fusil sans que le fusil fasse feu (p sans q) ; mais il nous est moins facile d’imaginer des situations où le fusil fait feu sans appui sur la détente (q sans p). C’est cette asymétrie dans les connaissances préalables qu’elles évoquent qui fait la différence entre les règles (3a) et (3b) et les conclusions que nous sommes prêts à en tirer (Cummins, Lubart, Alksnis et Rist 1991 ; De Neys, Schaeken et d’Ydewalle 2003 ; Politzer et Bonnefon 2006 ; Thompson 1994). Nous venons de mettre en évidence un effet de familiarité : le raisonnement se trouve changé quand il opère sur un contenu quotidien, familier, plutôt que sur un contenu abstrait, algébrique ou arbitraire.

13En plus du simple effet de familiarité, l’utilisation d’un contenu familier crée la possibilité d’un effet dit de crédibilité. On parle d’effet de crédibilité lorsqu’un raisonnement est jugé en fonction de l’impression de véracité que donne sa conclusion, plutôt qu’en fonction de la validité de ses enchaînements. L’effet de crédibilité a donné lieu à un grand nombre d’expériences depuis sa première démonstration par Evans, Barston et Pollard (1983). On le met souvent en évidence en utilisant des problèmes du type de ceux présentés dans le tableau 1. Ces exemples montrent comment, à l’aide d’un contenu familier, on peut construire des raisonnements à la conclusion plus ou moins crédible, indépendamment du fait que l’argument soit logiquement correct ou non. On demande alors à des raisonneurs de juger si chaque raisonnement est logiquement valide, correct, et l’on évalue l’influence de la crédibilité subjective (de la conclusion) et de la validité objective (des enchaînements) dans ces jugements. On observe typiquement une influence à la fois de la validité et de la crédibilité, ainsi qu’un effet d’interaction : la crédibilité a un poids plus important dans le cas des problèmes logiquement invalides.

  • 2 Certains auteurs (Stanovich 2004) considèrent par ailleurs que les processus de type 1 font l’objet (...)

14Il nous est donc difficile de juger de la validité d’un raisonnement qui porte sur un contenu familier, parce que nous avons du mal à distinguer le fait que le raisonnement soit correct ou incorrect du fait que nous sommes d’accord ou non avec sa conclusion. Notre capacité à faire cette distinction a fait l’objet de nombreux travaux, car elle est joue un rôle important dans les approches dites duales de la cognition (cf. Evans 2008, pour une synthèse de ces approches). Les approches duales de la cognition postulent qu’une même information peut être traitée par deux grandes familles de processus, les processus de type 1 et les processus de type 2. Les processus de type 1 sont rapides, automatiques, et ne consomment pas de mémoire de travail ; au contraire, les processus de type 2 sont lents, délibérés, et gourmands en mémoire de travail. Les processus de type 1 sont systématiquement engagés, mais pas nécessairement les processus de type 2. Lorsqu’une information est traitée à la fois par les processus de type 1 et les processus de type 2, les deux traitements peuvent délivrer la même réponse, ou bien des réponses conflictuelles2.

crédible

non crédible

valide

Toutes les vaches ont quatre pattes, les serpents n’ont pas quatre pattes, donc les serpents ne sont pas des vaches.

Tous les animaux aiment l’eau, les chats n’aiment pas l’eau, donc les chats ne sont pas des animaux.

invalide

Tous les chômeurs sont pauvres, Bill Gates n’est pas au chômage, donc Bill Gates n’est pas pauvre.

Tout ce qui est en bois peut servir de combustible, l’essence n’est pas en bois, donc l’essence ne peut pas servir de combustible.

Tableau 1. – Orthogonalisation de la crédibilité et de la validité dans une tâche de résolution de syllogisme. Un contenu bien choisi permet par exemple de donner une conclusion crédible à un raisonnement logiquement invalide, comme dans le problème de Bill Gates.

15De façon cruciale, les processus de raisonnement appartenant au type 2 sont supposés faire abstraction du contenu exact des informations qu’ils traitent. Par exemple, un traitement de type 2 nous dit que l’occurrence simultanée de l’événement p et de l’événement q est forcément moins probable que la probabilité d’occurrence de p, quel que soit le contenu linguistique que nous assignons à p et à q. Ce traitement de type 2 peut nous aider à rejeter l’influence parfois puissante du contenu linguistique de p et q. Par exemple, est-il plus probable qu’un Suédois soit blond, ou qu’il soit blond aux yeux bleus ? Bien que la deuxième réponse soit intuitivement attirante (Tversky et Kahneman 1983), un traitement de type 2 nous permet de la rejeter comme incorrecte (De Neys 2006a).

16On comprend maintenant pourquoi l’effet de crédibilité tient une place importante dans les approches duales du raisonnement. Considérons à nouveau les problèmes du tableau 1. Pour deux d’entre eux (les serpents, l’essence), la réponse de type 1 fondée sur la crédibilité est la même que la réponse de type 2 fondée sur la validité. Pour les deux autres (Bill Gates, les chats), la réponse de type 1 est en conflit avec la réponse de type 2. Rappelons qu’un traitement de type 2 demande du temps et de la mémoire de travail. Priver un raisonneur de temps ou saturer sa mémoire de travail devrait donc l’empêcher de produire un traitement de type 2. L’approche duale de la cognition prédit donc que priver un raisonneur de temps, ou bien saturer sa mémoire de travail, devrait avoir un large effet sur les problèmes tels que celui de Bill Gates ou des chats, mais ne devrait pas avoir d’effet sur les problèmes tels que celui des serpents ou de l’essence. Ces prédictions ont été vérifiées par Evans et Curtis-Holmes (2005) pour la pression temporelle et par De Neys (2006b) pour la charge de la mémoire de travail.

17Résumons. Le raisonnement sur du matériel familier diffère sur au moins deux plans du raisonnement sur du matériel abstrait. D’une part, le simple fait que le matériel nous soit familier évoque des connaissances spécifiques sur le monde qui viennent compléter ou amender les informations qui nous sont données en entrée du raisonnement. C’est l’effet de familiarité. D’autre part, le fait que le matériel nous soit familier crée la possibilité que nous ayons déjà une opinion sur l’information qui constitue la sortie du raisonnement (la conclusion), et que cette opinion biaise notre perception de la validité de cette conclusion. C’est l’effet de crédibilité.

  • 3 Il convient ici de ne pas donner l’impression que le traitement de type 2 est nécessairement plus f (...)

18Ces deux effets sont au cœur de la conception duale du raisonnement. Cette approche suppose non seulement que le raisonnement abstrait ne fait pas appel au même processus que le raisonnement sur du matériel familier, mais aussi que différents processus mentaux sous-tendent différentes réponses lorsque la validité d’une conclusion est en conflit avec sa crédibilité : accepter une conclusion logiquement correcte bien que peu crédible serait le résultat d’un traitement de type 2, et accepter une conclusion crédible bien que logiquement invalide serait le résultat d’un traitement de type 13.

19Ces deux postulats ont reçu un soutien venu des neurosciences, tant du point de vue de l’imagerie cérébrale que du point de vue clinique. Ainsi, des observations convergentes suggèrent une dissociation entre les aires du cerveau activées dans le raisonnement sur du matériel abstrait et les aires du cerveau activées dans le raisonnement sur du matériel familier. Les contenus familiers seraient traités par une voie frontale-temporale gauche, tandis que les contenus abstraits seraient traités par une voie pariétale bilatérale (Goel et Dolan 2003 ; Goel, Makale et Grafman 2004 ; Goel, Shuren, Sheesley et Grafman 2004). Cette dissociation semble globalement aller dans le sens des approches duales du raisonnement : alors que le raisonnement sur des contenus familiers activerait un système de traitement linguistique, le traitement des contenus abstraits activerait préférentiellement un système de traitement visuo-spatial décontextualisé.

20Les études d’imagerie cérébrale et les études cliniques ont également permis d’identifier une autre dissociation, directement liée à l’effet de crédibilité. Lorsque la validité d’une conclusion est en conflit avec sa crédibilité, les raisonneurs qui acceptent une conclusion valide bien que peu crédible montrent une activation du cortex préfrontal latéral droit, alors que les raisonneurs qui choisissent une conclusion crédible bien que logiquement invalide montrent une activation du cortex préfrontal ventro-médian (Goel, Buchel, Frith et Dolan 2000 ; Noveck, Goel et Smith 2004). Là encore, ces données semblent cohérentes avec une approche duale du raisonnement. En particulier, le cortex préfrontal latéral droit semble jouer un rôle essentiel de détection du conflit entre la réponse liée à la crédibilité et la réponse liée à la validité.

  • 4 Cette collaboration entre neurosciences et psychologie du raisonnement, fondée sur l'identification (...)

21L’identification de telles dissociations est une contribution importante des neurosciences à la psychologie du raisonnement. Plus précisément, les neurosciences sont à même de contraindre en amont le travail théorique en psychologie du raisonnement, dans la mesure où ce travail théorique doit rendre compte des lignes de fracture identifiées par les neurosciences (Goel 2007)4. Quelle que puisse être la future théorie unifiée du raisonnement, il y a fort à parier qu’elle postulera des processus différents pour les raisonnements abstraits et familiers, et qu'elle intégrera un mécanisme de détection du conflit entre crédibilité et validité.

Le contexte et les préférences

22Nous venons d’établir qu’il ne revient pas au même de raisonner sur des informations abstraites (tous les x sont des y) et sur des informations concrètes (toutes les vaches ont quatre pattes). Nous allons maintenant montrer qu’une même information conduit à des raisonnements différents selon le contexte dans lequel elle est traitée. Lorsque les raisonneurs raisonnent, ils ne disposent pas uniquement de l’information qui constitue les prémisses du raisonnement, ainsi que de leurs croyances préalables sur le contenu de cette information : ils disposent aussi d’informations sur la situation de raisonnement elle-même. Cette information contextuelle peut avoir des conséquences subtiles et étonnantes sur la façon dont les raisonneurs manipulent les prémisses du raisonnement. Comparons par exemple les problèmes (4a) et (4b:

(4) a. Sur un disque des Rolling Stones, c’est Mick Jagger qui chante. Léa et Ben sont en train d’écouter un disque. Ce n’est pas Mick Jagger qui chante sur ce disque.
b. Sur un disque des Rolling Stones, c’est Mick Jagger qui chante. Léa et Ben sont en train d’écouter un disque. Léa fait remarquer à Ben : « Ce n’est pas Mick Jagger qui chante sur ce disque ».

23Le changement de contexte est minimal entre les deux problèmes, mais il conduit à un renversement dans les conclusions que les raisonneurs sont prêts à tirer (Bonnefon et Villejoubert 2007). Le problème (4a) suggère que Léa et Ben ne sont pas en train d’écouter un disque des Rolling Stones ; mais à l’inverse, le problème (4b) suggère à beaucoup de gens que le disque de Léa et Ben est bel et bien un disque des Rolling Stones !

24Le changement de contexte consiste ici à préciser les conditions d’obtention de l’information « Ce n’est pas Mick Jagger qui chante sur ce disque ». Plus spécifiquement, cette information, alors qu'elle est livrée brute dans le problème (4a), est introduite dans le problème (4b) comme la remarque de quelqu’un adressée à quelqu’un d’autre. Or, pour que quelqu’un prenne la peine de faire cette remarque, il faut qu'elle soit intéressante, surprenante ; et cette condition est évidemment remplie si nous imaginons que le disque que les personnages sont en train d’écouter est un disque des Rolling Stones.

  • 5 Pour une présentation détaillée, cf. Bonnefon (2009).

25De nombreux travaux se sont intéressés à une telle contextualisation, en plaçant les prémisses du raisonnement dans la bouche de divers agents. On a ainsi pu montrer les effets du pouvoir respectif des agents en présence (Kilpatrick, Manktelow et Over 2007), de leur expertise (Stevenson et Over 2001), ou de leur personnalité (Demeure, Bonnefon et Raufaste 2009). Dans cette section, nous allons nous concentrer sur un aspect particulièrement intéressant du contexte du raisonnement, absent de l’exemple (4), qui est donné par l’ensemble des préférences des agents5.

26Il peut sembler curieux de mêler les préférences des agents à l’étude du raisonnement. Nous pourrions être tentés de considérer le raisonnement comme une affaire d’inférences et de laisser la question des préférences à l’économie et aux sciences de la décision. En effet, s’il est évident que nos décisions doivent se fonder sur nos préférences quant à ce que nous aimerions voir se produire, il semble tout aussi clair que nos conclusions ne sauraient être fondées sur ce que nous aimerions être vrai. Les choses, pourtant, ne sont pas aussi simples, et l’explication de certains phénomènes de raisonnement requiert d’emprunter à l’économie certaines de ses notions fondamentales. Plus spécifiquement, on décrira les préférences d’un agent au moyen de la fonction d’utilité de ce dernier : un agent préfère un état du monde x à un état du monde y si et seulement si l’utilité de x est supérieure pour cet agent à l'utilité de y. On fera de plus l’hypothèse que les agents souhaitent s’assurer qu’ils ne sont pas dans une situation dont l’utilité est moindre que ce qu'elle pourrait être. On fera enfin l’hypothèse que les agents entreprennent les actions qui sont les plus susceptibles de les conduire à des états du monde à l’utilité élevée.

27Armés de ces quelques principes, nous pouvons expliquer certains phénomènes de raisonnement qui, sinon, resteraient mystérieux. L’un de ces phénomènes a trait à l’une des grandes tâches classiques de la psychologie du raisonnement, la tâche de sélection inventée par Peter Wason (1966). Dans sa forme d’origine, la tâche de sélection consiste à présenter quatre cartes aux raisonneurs, en les informant que chaque carte montre d’un côté une lettre et de l’autre côté un chiffre. Les quatre cartes sont posées à plat sur la table ; deux d’entre elles montrent leur côté lettre (par exemple, A et B), et les deux autres montrent leur côté chiffre (par exemple, 2 et 3). On demande aux raisonneurs de retourner la ou les cartes qui seules permettent de décider si la règle suivante est vraie ou fausse : « S’il y a une voyelle d’un côté, alors il y a un nombre pair de l’autre côté. » Remarquez que les cartes A et 3 sont les seules qui peuvent présenter la combinaison voyelle-impair, et donc les seules qui peuvent permettre de conclure avec certitude que la règle est fausse. Quelle que soit l’inscription au dos des cartes B et 2, elle ne nous permettra pas de mettre en évidence un contre-exemple à la règle. Rares sont pourtant les raisonneurs qui choisissent les cartes A et 3 (souvent moins de 10 %) ; le choix majoritaire se porte sur les cartes A et 2.

28Cette forme abstraite de la tâche de sélection a inspiré une imposante quantité de travaux, que nous n’aborderons pas dans ce chapitre (cf. Klauer, Stahl et Erdfelder 2007, pour une synthèse). Nous allons nous intéresser à une variante de la tâche de sélection où la règle prend un contenu familier, qui se rattache, qui plus est, aux préférences de divers agents. Imaginons un site web qui affiche la politique suivante :

(5) Si le montant des achats dépasse 200 euros, la livraison est gratuite.

29Imaginons à présent que la tâche du raisonneur soit de vérifier si cette politique est bien appliquée. Le raisonneur dispose d’un historique de quatre transactions. Le montant de la première transaction est de 220 euros. Le montant de la deuxième est de 180 euros. La troisième transaction a fait l’objet d’une livraison gratuite. La quatrième transaction a fait l’objet d’une livraison payante. Quelles sont les transactions qu’il est utile de consulter pour vérifier si la politique du site a bien été appliquée ?

30La réponse des raisonneurs dépend de la perspective qu’on leur demande d’adopter (Gigerenzer et Hug 1992 ; Manktelow et Over 1991 ; Politzer et Nguyen-Xuan 1992). Un raisonneur qui adopte la perspective d’un client du site aura tendance à consulter la première et la quatrième transaction ; à l’inverse, un raisonneur qui adopte la perspective d’un manager du site aura tendance à consulter la deuxième et la troisième transaction. Ce renversement peut aisément s’expliquer dès lors que nous prenons en compte l’asymétrie des fonctions d’utilité du client et du manager. La situation présentant la plus faible utilité pour le client est celle où il a payé une livraison alors que le montant de ses achats dépassait 200 euros. C’est donc cette situation qui l’intéresse au premier chef lorsqu’il vérifie que la politique du site est bien appliquée, et son choix reflète cette préoccupation. À l’inverse, la situation présentant la plus faible utilité pour le manager est celle où il a livré gratuitement des achats dont le montant était inférieur à 200 euros. C’est donc cette situation qui l’intéresse lorsqu’il vérifie si la politique du site est bien appliquée, ce que reflètent ses réponses.

31Remarquons que la manipulation de la perspective n’est pas une condition nécessaire du renversement des réponses dans la tâche de sélection, dans la mesure où la fonction d’utilité d’un même agent peut changer en fonction du contexte de la tâche. Par exemple, on peut demander à un raisonneur d’adopter la perspective du manager, en lui précisant (a) que le principal problème du site est de contrôler ses dépenses en n’accordant pas par erreur la gratuité des livraisons, ou bien (b) que le principal problème du site est d’éviter de s’aliéner ses clients en leur faisant payer indûment des livraisons. Un raisonneur dans le contexte (a) aura tendance à consulter la deuxième et la troisième transaction, mais un raisonneur dans le contexte (b) aura tendance à consulter la première et la quatrième transaction (Hilton, Kemmelmeier et Bonnefon 2005).

32Dans toutes ces versions de la tâche de sélection, le comportement des raisonneurs semble s’expliquer par l’un des principes que nous avons introduits plus haut : les agents souhaitent s’assurer qu’ils ne sont pas dans une situation où leur utilité est moindre que ce qu’elle pourrait être, et les raisonneurs ont une connaissance intuitive de ce fait. Dès lors, lorsqu’ils adoptent la perspective d’un agent, les raisonneurs donnent les réponses qui seraient dictées par la fonction d’utilité de cet agent. Le deuxième principe que nous avons introduit dit que les agents entreprennent les actions qui sont les plus susceptibles de les conduire à des états du monde à futilité élevée ; et, là encore, nous pouvons supposer que les raisonneurs ont connaissance de ce fait. Ce principe et cette connaissance permettent d’expliquer certaines conclusions que les raisonneurs tirent à partir des conditionnels dits d’incitation, tels que (6ab) ou (7ab) :

(6) a. Si tu restes près du bar, tu seras servie plus vite.
b. Si tu ranges ta chambre, je t’achète un vélo.

(7) a. Si tu restes pour le café, tu vas rater ton avion.
b. Si tu remontes le son de la radio, je te frappe.

33Les conditionnels d’incitation positive peuvent par exemple prendre la forme d’un conseil (6a) ou d’une promesse (6b). Les conditionnels d’incitation négative peuvent prendre par exemple la forme d’un avertissement (7a) ou d’une menace (7b). Dans tous ces cas de figure, le conditionnel a une structure classique « si p alors q », où p est une action potentielle d’un agent à qui s’adresse le conditionnel, et q une conséquence de cette action, qui peut avoir une utilité positive ou négative pour cet agent.

34On peut s’attendre à ce qu’un agent économiquement rationnel entreprenne une action p dont il sait qu'elle a pour lui des conséquences q à l’utilité positive, et n’entreprenne pas une action p dont il sait qu'elle a pour lui des conséquences q à l'utilité négative. Si les raisonneurs partagent cette intuition et l’intègrent dans leurs raisonnements, on peut correctement prédire qu’ils concluront que p est vrai à partir d’un conditionnel d’incitation positive « si p alors q » ; et que p est faux à partir d’un conditionnel d’incitation négative « si p alors q » (Evans, Neilens, Handley et Over 2008 ; Ohm et Thompson 2004). Il est possible d’affiner encore l’analyse en supposant que les raisonneurs calculent pour l’agent le bénéfice net à obtenir les conséquences q, en en soustrayant le coût d’entreprendre l’action p. On devrait alors observer qu’à conséquences positives q égales, les raisonneurs sont d’autant moins disposés à conclure p que l’action p est coûteuse (et, mutatis mutandis, pour les conséquences q négatives), ce qu’observent Evans et alii (2008).

35Les raisonneurs prennent donc en compte les fonctions d’utilité des divers agents présents pour prédire leurs actions à partir de conditionnels d’incitation. Ce phénomène peut aussi s’observer avec d’autres types de conditionnels, et même entrer en conflit avec un raisonnement purement logique, comme le montre l’exemple (8), adapté de Bonnefon et Hilton (2004) :

(8) a. Si Alice est invitée à la fête, elle va acheter une nouvelle robe.
b. Si Alice achète une nouvelle robe, elle ne pourra pas payer ses factures.
c. Alice est invitée à la fête.

  • 6 Tous les phénomènes que nous avons examinés dans cette section mettent en jeu des raisonnements por (...)

36D’un point de vue strictement déductif, une conclusion s’impose : Alice va acheter une nouvelle robe, et ne pourra pas payer ses factures. Pourtant, les raisonneurs répondent qu’Alice ne va pas acheter une nouvelle robe. Ces raisonneurs ne peuvent ou ne souhaitent faire abstraction de la fonction d’utilité qu’ils prêtent à Alice (elle préfère payer ses factures plutôt que de porter une nouvelle robe) ; et ils supposent qu’Alice est un agent économique rationnel qui prend les décisions qui augmentent (ou à tout le moins ne diminuent pas) son utilité personnelle. Ces considérations liées à l’utilité et au choix rationnel entrent en conflit avec les conclusions logiques du problème ; et il semble que dans un tel cas la logique cède le pas6.

L’incertitude

37Lorsque nous raisonnons, nous produisons une nouvelle information à partir de celles que nous fournissent notre perception, notre mémoire, ou bien d’autres agents. Il est clair que ces informations ne sont pas parfaitement fiables. Nous n’avons pas toujours une entière confiance dans nos souvenirs, et nous n’accordons pas toujours un crédit absolu aux dires des autres agents. Nous sommes également amenés à utiliser dans nos raisonnements des généralisations abusives comme « les oiseaux volent » ou « les végétariens n’aiment pas la corrida », tout en sachant ou en admettant que ces règles peuvent avoir des exceptions.

38Nous sommes donc capables de raisonner à partir d’informations incertaines, et, qui plus est, d’ajuster la certitude de nos conclusions en fonction de la certitude des informations dont elles dérivent. L’expérience quotidienne pourrait même suggérer que ce raisonnement dans l’incertitude est notre mode normal de fonctionnement. En dehors de situations très spécifiques (par exemple, la démonstration de théorèmes mathématiques), nous semblons rarement en mesure de raisonner sur la base de faits parfaitement établis et de règles n’admettant pas d’exceptions.

  • 7 Une précision s’impose. Il existe une riche tradition de recherche en psychologie qui traite de la (...)

39La psychologie cognitive du raisonnement doit donc rendre compte de notre capacité à raisonner dans l’incertitude. Les travaux en psychologie du raisonnement7 qui se sont engagés dans cette tâche semblent pouvoir se classer en quatre catégories, qui résultent de deux choix fondamentaux : le choix d’une approche computationnelle ou algorithmique, et le choix d’une conceptualisation probabiliste ou non probabiliste de l’incertitude.

40Dans le cadre d’une approche algorithmique, l’objectif est de décrire les processus mentaux qui sont mis en œuvre lors de l’activité étudiée, en l’occurrence lors d’un raisonnement dans l’incertitude. Il s’agit là d’une approche classique en psychologie cognitive, sur laquelle nous allons revenir. Dans le cadre d’une approche computationnelle, l’objectif n’est pas de décrire les processus mentaux mis en œuvre, mais de spécifier la solution optimale dont ils pourraient être l’approximation. Cela implique de préciser les buts et les limitations du système cognitif, de décrire formellement l’environnement auquel ce système est adapté, et de proposer une solution mathématiquement optimale pour qu’un système cognitif avec de telles limitations puisse atteindre de tels buts dans un tel environnement (Anderson 1990). Une fois que cette solution a été proposée, l’approche computationnelle fait l’hypothèse que tout se passe comme si le système cognitif adoptait effectivement cette solution, en mettant en œuvre des processus non spécifiés qui en constitueraient une approximation.

41Dans le domaine du raisonnement dans l’incertitude, l’exemple le plus influent d’une telle approche computationnelle est donné par les travaux de Mike Oaksford et Nick Chater (Oaksford et Chater 2001, 2007). Oaksford et Chater suggèrent que la solution optimale pour un agent raisonnant dans un univers d’informations incertaines consiste à assigner à chaque état du monde une probabilité a priori, à représenter une règle faillible du type « les oiseaux volent » par la probabilité conditionnelle de voler lorsque l’on est un oiseau, et à réviser ces probabilités initiales en présence d’information nouvelle, en suivant les règles du calcul probabiliste. Imaginons par exemple qu’un raisonneur apprenne qu’une chose nommée Tweety est capable de voler et se pose la question de savoir si Tweety est un oiseau. Pour répondre à cette question, la solution optimale dérivée de l’approche computationnelle consiste à combiner trois probabilités subjectives : la probabilité a priori d’être un oiseau, Pr (oiseau), la probabilité a priori d’être capable de voler, Pr(vole), et la probabilité d’être capable de voler lorsque l’on est un oiseau, Pr(vole\oiseau). La probabilité que Tweety soit un oiseau est alors donnée par le calcul suivant :

42Dans le cadre d’une approche computationnelle, les raisonneurs ne sont pas supposés faire effectivement ce calcul ; l’hypothèse est plutôt que, quels que soient les processus qui sont réellement mis en œuvre, le résultat qu’ils donnent est comparable à celui qui est prédit par le calcul (1). Parmi les questions que soulève le modèle d’Oaksford et Chater (2007), deux vont nous intéresser en particulier dans le reste de cette section. Premièrement, quels pourraient être les processus mentaux (algorithmiques) qui nous permettent une telle approximation du calcul probabiliste ? Deuxièmement, existe-t-il une alternative au calcul probabiliste comme modèle computationnel du raisonnement dans l’incertitude ?

43Evans et Over (2004) ont théorisé un mécanisme psychologique permettant une approximation de l’interprétation probabiliste des règles faillibles du type (9) :

(9) Si on est végétarien, alors on désapprouve la corrida.

44Nous admettons la possibilité que certains végétariens puissent être indifférents à la corrida, ou même l’apprécier, et nous ne pouvons donc avoir une totale confiance dans la règle (9). Pour évaluer la confiance que nous pouvons avoir dans cette règle, suggèrent Evans et Over, nous conduisons mentalement une procédure connue comme le test de Ramsey : nous ajoutons temporairement l’antécédent de la règle à nos croyances existantes (nous supposons qu’une personne est végétarienne) et nous évaluons alors ce que devient la probabilité du conséquent de la règle (cette personne désapprouve la corrida) dans cette base de croyances temporairement modifiée. Une telle procédure a une conséquence remarquable en termes d’approximation du calcul probabiliste. La confiance en une règle faillible « si p alors q », évaluée par le test de Ramsey, est identique à la probabilité conditionnelle de q sachant p :

45L’hypothèse exprimée par l’équation (2) a fait l’objet de différents tests ingénieux (Evans, Handley et Over 2003 ; Oberauer et Wilhelm 2003). Nous allons illustrer ici la méthode adoptée par Over, Hadjichristidis, Evans, Handley et Sloman (2007). Over et ses collaborateurs ont sélectionné un nombre important de règles conditionnelles incertaines du type « si p alors q », comme (10) :

(10) Si le prix du pétrole augmente, la circulation automobile sera plus fluide.

46Le test de l’hypothèse exprimée par l’équation (2) s’effectue alors en deux étapes. Une étape consiste à demander aux raisonneurs d’évaluer la probabilité que la règle (10) soit vraie. Leur réponse fournit une mesure de Pr(Si p alors q). L’autre étape consiste à demander aux raisonneurs d’évaluer la probabilité de quatre états du monde :

(11) a. Le prix du pétrole augmente et la circulation automobile se fait plus fluide.
b. Le prix du pétrole augmente et la circulation automobile ne se fait pas plus fluide.
c. Le prix du pétrole n’augmente pas et la circulation automobile se fait plus fluide.
d. Le prix du pétrole n’augmente pas et la circulation automobile ne se fait pas plus fluide.

47Grâce aux réponses (11a) et (11b), qui fournissent une mesure de Pr(p^q) et de Pr(pq), il est possible de calculer, pour un raisonneur donné, la probabilité conditionnelle subjective Pr(q\p). L’équation (2) prédit que cette probabilité conditionnelle subjective, calculée à partir des réponses (11a) et (11b), sera approximativement identique à la probabilité subjective de « si p alors q », qui a fait l’objet d’une mesure indépendante pour chaque raisonneur. Dans les expériences conduites par Over et alii (2007), la corrélation entre ces deux scores atteint des niveaux spectaculaires, de l’ordre de .90. Ces résultats (parmi d’autres) suggèrent clairement que lorsque nous évaluons la probabilité d’une règle faillible du type « si p alors q », nous conduisons mentalement une opération donnant le résultat du test de Ramsey, la probabilité conditionnelle Pr(q\p). Bien des expériences restent toutefois à mener avant de pouvoir affirmer que tous ou presque tous nos raisonnements dans l’incertitude constituent une approximation spontanée du calcul probabiliste.

48Le choix même du calcul probabiliste comme cadre computationnel de référence est une question ouverte au débat. La théorie des probabilités est, de fait, la représentation formelle de l’incertitude la mieux connue des psychologues, parfois la seule. Par-là, il est tentant de considérer que si la psychologie souhaite se doter d’un modèle mathématique du raisonnement dans l’incertitude, elle n’a guère d’autre choix que d’adopter le formalisme probabiliste. Cet argument revient régulièrement, par exemple, chez Oaksford et Chater (2007). En réalité, le choix est large, dès lors que la psychologie du raisonnement est prête à s’inspirer des recherches menées en intelligence artificielle. Les chercheurs en intelligence artificielle (au sens large) ont en effet développé un nombre important de formalismes permettant la manipulation de l’incertitude, qui ne partagent pas tous les axiomes de la théorie des probabilités. Parmi ces formalismes, on trouve en particulier la théorie de Dempster-Shafer (Shafer 1976) ou la théorie des possibilités (Dubois et Prade 1988a, 1988b). Nous allons ici brièvement esquisser certains aspects de cette dernière théorie.

49Dans la théorie des possibilités, la probabilité Pr(A) d’un événement A est remplacée par sa possibilité Π(A), qui représente le degré auquel l’événement A est plausible, normal, attendu. Tout comme Pr(A), la mesure Π(Α) s’exprime par un réel compris entre 0 et 1. Cependant, cet usage des nombres n’est qu’une commodité, car la mesure Π(A) est qualitative plutôt que quantitative : elle encode seulement un ordre et n’autorise pas les opérations arithmétiques telles que l’addition ou la multiplication. Plus la valeur Π(A) est faible, plus l’événement A est anormal ; en particulier, Π(A) = 0 signifie que A est strictement impossible. De façon importante, Π(A) = 1 ne signifie pas que l’événement A est certain, mais seulement que A est entièrement normal, pas du tout surprenant. La propriété caractéristique de la mesure Π est la max-décomposabilité de la disjonction :

Π(A v B) = max(Π(A), Π(B)) (3)

50Pour illustrer cette équation, imaginons la situation suivante. Il est entièrement possible (pas du tout surprenant) que je rentre du bureau en métro. Cette possibilité est donc de 1. Il serait plus surprenant (mais pas impossible) que je rentre en taxi : cet événement a une possibilité de 0,8. La max-décomposabilité de la disjonction dit que la possibilité que je rentre en métro ou en taxi est égale à celle des deux possibilités qui est la plus élevée, la possibilité que je rentre en métro ou la possibilité que je rentre en taxi. Comme la possibilité que je rentre en métro est égale à 1, la possibilité que je rentre en métro ou en taxi est elle aussi égale à 1.

51Une conséquence de l’équation (3) est que de Π(A) et Π(A), l’une des deux doit être égale à 1. Le raisonnement est le suivant : ce qui est forcément vrai doit être absolument normal, ce qui force Π(ΑA) = 1. Par conséquent, en vertu de l’équation (3), la plus élevée des deux valeurs Π(A) et Π(¬A) doit être égale à 1. Il s’agit là de la seule contrainte que doivent respecter Π(Α) et Π(¬A). Par exemple, il est tout à fait envisageable que Π(A) et Π(¬Α) soit toutes deux égales à 1. Ce cas correspond d’ailleurs à l’incertitude totale quant au fait que A se réalise ou non, lorsque A et ¬A sont jugés comme deux états du monde parfaitement possibles. Il faut noter ici toute la différence avec la représentation probabiliste de l’incertitude, qui impose une contrainte beaucoup plus forte à Pr(A) et Pr(¬A), en exigeant que leur somme soit toujours égale à 1.

52La théorie des possibilités fournit une alternative formelle légitime à la théorie des probabilités pour ce qui est de tenir le rôle de modèle computationnel du raisonnement dans l’incertitude. Bien qu'elle soit moins connue des psychologues, elle a certains atouts indéniables : par exemple, elle n’exige pas du système cognitif qu’il soit capable d’assigner une probabilité numérique précise à chaque état du monde, mais simplement qu’il soit toujours capable de dire, de deux états du monde, lequel est le plus normal.

53Pour autant, le recours par les psychologues à des modèles formels alternatifs de l’incertitude, comme la théorie des possibilités, demeure pour l’instant peu fréquent. Certains psychologues du raisonnement prennent soin de signaler leur agnosticisme quant à cette question (George 1999 ; Politzer et Bourmaud 2002). D’autres choisissent de donner à un formalisme alternatif le rôle de modèle computationnel (Benferhat, Bonnefon et Da Silva Neves 2005 ; Bonnefon 2004 ; Da Silva Neves, Bonnefon et Raufaste 2002 ; Ford 2004). D’autres enfin vont plus loin et développent des modèles non probabilistes du raisonnement plausible qui se veulent descriptifs plutôt que computationnels (Pfeifer et Kleiter 2005, 2009 ; Raufaste, Da Silva Neves et Mariné 2003 ; Stenning et van Lambalgen 2008).

54Il ne sera pas possible dans ce chapitre de passer en revue tous ces travaux. Nous nous contenterons d’insister sur un point : tous, sans exception, se situent à l’intersection de la psychologie cognitive et de l’intelligence artificielle. C’est sans aucun doute par une telle démarche interdisciplinaire que se construira demain la psychologie du raisonnement dans l’incertitude.

La Grande Théorie du raisonnement

55La psychologie cognitive ne dispose pas à l’heure actuelle d’une théorie unifiée du raisonnement, qui tiendrait compte de façon cohérente de l’ensemble des données empiriques disponibles. L’époque semble plutôt à un bouillonnement expérimental d’où émergent des grands thèmes, des éléments de construction de la future Grande Théorie du raisonnement. Dans ce chapitre, nous avons considéré trois de ces grands thèmes, en soulignant la façon dont ils se rattachent à des disciplines connexes des sciences cognitives.

56La Grande Théorie du raisonnement devra expliquer quels processus sont spécifiquement mis en œuvre lorsque nous raisonnons sur un matériau qui nous évoque des croyances préalables. Elle devra pour cela s’appuyer sur les dissociations identifiées par les données cliniques et les données d’imagerie cérébrale. La Grande Théorie du raisonnement devra s’inspirer des notions économiques d’utilité et de choix rationnel pour expliquer en quoi le raisonnement est influencé par les données contextuelles relatives aux buts et préférences des autres agents. Enfin, la Grande Théorie du raisonnement devra fournir un modèle computationnel et algorithmique du raisonnement dans l’incertitude, en tirant pleinement parti des développements formels initiés par les chercheurs en intelligence artificielle. En un mot, la construction de la Grande Théorie du raisonnement sera une entreprise pluridisciplinaire, dans laquelle la psychologie cognitive aura la tâche d’organiser en une synthèse cohérente des éléments théoriques et expérimentaux en provenance de l’ensemble du champ des sciences cognitives.

Bibliographie

Références bibliographiques

Anderson, J. R., 1990. The Adaptive Character of Thought, Hillsdale (N.J.), Erlbaum (Studies in Cognition).

Baron, J., 2000. Thinking and Deciding, 3e édition, New York, Cambridge University Press.

Benferhat, S., Bonnefon, J.-F. et Da Silva Neves, R., 2005. « An OverView of possibilistic handling of default reasoning, with experimental studies », Synthese, 146 (1-2) : 53-70.

Bonnefon, J.-F., 2004. «Reinstatement, floating conclusions, and the credulity of mental model reasoning», Cognitive Science, 28 (4) : 621-631.

Bonnefon, J.-F., 2009. «A theory of utility conditionals: Paralogical reasoning from decision-theoretic leakage», Psychological Review, 116 (4): 888-907.

Bonnefon, J.-F. et Hilton, D. J., 2004. « Consequential conditionals : Invited and suppressed inferences from valued outcomes », Journal of Experimental Psychology : Learning, Memory, and Cognition, 30 (1) : 28-37.

Bonnefon, J.-F. et Villejoubert, G., 2007. « Modus Tollens, Modus Shmollens : Contrapositive reasoning and the pragmatics of negation », Thinking and Reasoning, 13 (2) : 207-222.

Cummins, D. D., Lubart, T., Alksnis, O. et Rist, R., 1991. « Conditional reasoning and causation », Memory and Cognition, 19 (3) : 274-282.

Da Silva Neves, R., Bonnefon, J.-F. et Raufaste, E., 2002. « An empirical test for patterns of nonmonotonic inference », Annals of Mathematics and Artificial Intelligence, 34 (1) : 107-130.

Demeure, V., Bonnefon, J.-F. et Raufaste, E., 2009. « Politeness and conditional reasoning : Interpersonal cues to the indirect suppression of deductive inferences », Journal of Experimental Psychology : Learning, Memory, and Cognition, 35 (1) : 260-266.

De Neys, W., 2006a. «Automatic-heuristic and executive-analytic Processing during reasoning: Chronometric and dual-task considerations», Quarterly Journal of Experimental Psychology, 59 (6): 1070-1100.

De Neys, W., 2006b. «Dual processing in reasoning: Two Systems but one reasoner», Psychological Science, 17 (5): 428-433.

De Neys, W., Schaeken, W. et d’Ydewalle, G., 2002. « Causal conditional reasoning and semantic memory retrieval : A test of the semantic memory framework », Memory and Cognition, 30 (6) : 908-920.

De Neys, W., Schaeken, W. et d’Ydewalle, G., 2003. « Inference suppression and semantic memory retrieval : Every counterexample counts », Memory and Cognition, 31 (4) : 581-595.

Dubois, D. et Prade, H., 1988a. « Default reasoning and possibility theory », Artificial Intelligence, 35 (2) : 243-257.

Dubois, D. et Prade, H., 1988b. Possibility Theory, New York, Plenum Press.

Ermer, E., Guerin, S. A., Cosmides, L., Tooby, J. et Miller, Μ. B., 2006. « Theory of mind broad and narrow : Reasoning about social exchange engages ToM areas, precautionary reasoning does not », Social Neuroscience, 1 (3-4) : 196-219.

Evans, J. St. B. T., 2002. «Logic and human reasoning: An assessment of the deduction paradigm», Psychological Bulletin, 128 (6): 978-996.

Evans, J. St. B. T., 2008. «Dual-processing accounts of reasoning, judgment, and social cognition», Annual Review of Psychology, 59 (1) : 255-278.

Evans, J. St. B. T., Barston, J. L. et Pollard, P., 1983. « On the conflict between logic and belief in syllogistic reasoning », Memory and Cognition, 11 (3) : 295-306.

Evans, J. St. B. T. et Curtis-Holmes, J., 2005. « Rapid responding increases belief bias : Evidence for the dual-process theory of reasoning », Thinking and Reasoning, 11 (4) : 382-389.

Evans, J. St. B. T., Handley, S. J. et Over, D. E., 2003. « Conditionals and conditional probability », Journal of Experimental Psychology : Learning, Memory, and Cognition, 29 (2) : 321-335.

Evans, J. St. B. T., Neilens, H., Handley, S. J. et Over, D. E., 2008. « When can we say “if” ? » Cognition, 108 (1) : 100-116.

Evans, J. St. B. T. et Over, D. E., 2004. If, Oxford, Oxford University Press (Oxford Cognitive Science Series).

Ford, M., 2004. « System LS : A three-tiered nonmonotonic reasoning System », Computational Intelligence, 20 (1) : 89-108.

George, C., 1999. «Evaluation of the plausibility of a conclusion derivable front several arguments with uncertain premises», Thinking and Reasoning, 5 (3): 245-281.

Gigerenzer, G. et Hug, K., 1992. « Domain-specific reasoning : Social contracts, cheating and perspective change », Cognition, 43 (2) : 127-171.

Gilovich, T., Griffin, D. et Kahneman, D., 2002. Heuristics and Biases : The Psychology of Intuitive Judgement, New York, Cambridge University Press.

Goel, V., 2007. «Anatomy of deductive reasoning», Prends in Cognitive Sciences, 11 (10): 435-441.

Goel, V., Buchel, C., Frith, C. et Dolan, R. J., 2000. « Dissociation of mechanisms underlying syllogistic reasoning », NeuroImage, 12 (5) : 504-514.

Goel, V. et Dolan, R. J., 2003. « Explaining modulation of reasoning by belief », Cognition, 87 (1) : B11-B22.

Goel, V., Makale, M. et Grafman, J., 2004. « The hippocampal System mediates logical reasoning about familiar spatial environments », Journal of Cognitive Neuroscience, 16 (4) : 654-664.

Goel, V., Shuren, J., Sheesley, L. et Grafman, J., 2004. « Asymmetrical involvement of frontal lobes in social reasoning », Brain, 127 (4) : 783-790.

Hilton, D. J., Kemmelmeier, M. et Bonnefon, J.-F., 2005. « Putting ifs to work : Goal-based relevance in conditional directives », Journal of Experimental Psychology : General, 134 (3) : 388-405.

Kahneman, D., Slovic, P. et Tversky, A. (éd.), 1982. Judgment under Uncertainty : Heuristics and Biases, New York, Cambridge University Press.

Kilpatrick, S. G., Manktelow, K. I. et Over, D. E., 2007. « Power of source as a factor in deontic inference », Thinking and Reasoning, 13 (3) : 295-317.

Klauer, K. C., Stahl, C. et Erdfelder, E., 2007. « The abstract selection task : New data and an almost comprehensive model », Journal of Experimental Psychology : Learning, Memory, and Cognition, 33 (4) : 680-703.

Manktelow, K. I. et Over, D. E., 1991. « Social roles and utilities in reasoning with deontic conditionals », Cognition, 39 (2) : 85-105.

Noveck, I. A., Goel, V. et Smith, K„ 2004. « The neural basis of conditional reasoning with arbitrary content », Cortex, 40 (4-5) : 613-622.

Oaksford, M. et Chater, N., 2001. « The probabilistic approach to human reasoning », Trends in Cognitive Sciences, 5 (8) : 349-357.

Oaksford, M. et Chater, N., 2007. Bayesian Rationality : The Probabilistic Approach to Human Reasoning, Oxford, Oxford University Press (Oxford Cognitive Science Series).

Oberauer, K. et Wilhelm, O., 2003. « The meaning(s) of conditionals : Conditional probabilities, mental models, and personal utilities », Journal of Experimental Psychology : Learning, Memory, and Cognition, 29 (4) : 680-693.

Ohm, E. et Thompson, V., 2004. « Everyday reasoning with inducements and advice », Thinking and Reasoning, 10 (3) : 241-272.

Over, D. E., Hadjichristidis, C., Evans, J. St. B. T., Handley, S. J. et Sloman, S. A., 2007. « The probability of causal conditionals », Cognitive Psychology, 54 (1) : 62-97.

Pfeifer, N. et Kleiter, G. D., 2005. « Coherence and nonmonotonicity in human reasoning », Synthese, 146 (1-2) : 93-109.

Pfeifer, N. et Kleiter, G. D., 2009. « Framing human inference by coherence based probability logic », Journal of Applied Logic, 7 (2) : 206-217.

Politzer, G. (éd.), 2002. Le raisonnement humain, Paris, Lavoisier (Traité des sciences cognitives).

Politzer, G. et Bonnefon, J.-F., 2006. « Two varieties of conditionals and two kinds of defeaters help reveal two fundamental types of reasoning », Mind and Language, 21 (4) : 484-503.

Politzer, G. et Bourmaud, G., 2002. « Deductive reasoning from uncertain conditionals », British Journal of Psychology, 93 (3) : 345-381.

Politzer, G. et Nguyen-Xuan, A., 1992. « Reasoning about conditional promises and warnings : Darwinian algorithms, mental models, relevance judgements or pragmatic schemas ? » Quarterly Journal of Experimental Psychology, 44A (3) : 401-412.

Raufaste, E., Da Silva Neves, R. et Mariné, C., 2003. « Testing the descriptive validity of possibility theory in human judgments of uncertainty », Artificial Intelligence, 148 (1-2) : 197-218.

Shafer, G., 1976. A Mathematical Theory of Evidence, Princeton (N.J.), Princeton University Press.

Stanovich, K. E., 2004. The Robots Rebellion: Finding Meaning in the Age of Darwin, Chicago, University of Chicago Press.

Stenning, K. et van Lambalgen, M., 2008. Human Reasoning and Cognitive Science, Cambridge (Mass.), The MIT Press (Bradford Books).

Stevenson, R. J. et Over, D. E., 2001. « Reasoning from uncertain premises : Effects of expertise and conversational context », Thinking and Reasoning, 7 (4) : 367-390.

Thompson, V. A., 1994. «Interpretational factors in conditional reasoning», Memory and Cognition, 22 (6): 742-758.

Tversky, A. et Kahneman, D., 1983. « Extensional versus intuitive reasoning : The conjunction fallacy in probability judgment », Psychological Review, 90 (4) : 293-315.

Wason, P., 1966. «Reasoning», in B. M. Foss (éd.), New Horizons in Psychology, Harmandsworth, Penguin: 106-137.

Notes

1 Ce chapitre a bénéficié des commentaires de Marco Heimann et Sylvie Leblois.

2 Certains auteurs (Stanovich 2004) considèrent par ailleurs que les processus de type 1 font l’objet d’une programmation génétique rigide et sont exclusivement dédiés à augmenter la probabilité de réplication de notre matériel génétique, alors que les processus de type 2 seraient programmés pour plus de flexibilité, modifiables culturellement, et susceptibles d’être redirigés vers d’autres buts que la réplication génétique, parmi lesquels, par exemple, le bonheur ou la justice sociale.

3 Il convient ici de ne pas donner l’impression que le traitement de type 2 est nécessairement plus fiable, « meilleur » que le traitement de type 1. La performance de l’un ou l’autre type de traitement doit être jugée au cas par cas, sans a priori.

4 Cette collaboration entre neurosciences et psychologie du raisonnement, fondée sur l'identification de dissociations, semble une avancée dans l’histoire des interactions entre les deux disciplines. Une autre forme de collaboration a consisté à vouloir trancher entre théories psychologiques concurrentes par le biais de la localisation. Imaginons deux théories psychologiques concurrentes. L’une théorise le raisonnement comme une manipulation visuo-spatiale de l’information, tandis que l’autre le conçoit comme la manipulation syntaxique de propositions logiques. Admettons maintenant que les partisans de ces deux théories soient prêts à prédire, les uns que le raisonnement devrait significativement activer les aires du cerveau impliquées dans le traitement des informations visuo-spatiales, les autres les aires du cerveau impliquées dans le traitement des informations linguistiques. L’utilisation des techniques de neuroimagerie permettrait alors, en théorie, de les départager. En pratique, toutefois, les choses ne se passent pas comme cela. Même en admettant que les partisans des deux théories soient disposés à énoncer des prédictions tranchées, il sera possible à chaque camp de trouver un sous-ensemble des données disponibles qui lui donne raison. Ainsi, Goel (2007) offre une synthèse de 19 études d’imagerie cérébrale impliquant une tâche de raisonnement déductif et parvient au constat peu réjouissant que chacune de ces études rapporte une structure d’activation différente.

5 Pour une présentation détaillée, cf. Bonnefon (2009).

6 Tous les phénomènes que nous avons examinés dans cette section mettent en jeu des raisonnements portant sur les croyances, les désirs et les intentions d’autres agents, et constituent donc une ouverture de la psychologie traditionnelle du raisonnement vers le champ riche et complexe de la « théorie de l’esprit ». Le lecteur ou la lectrice pourra se référer à Ermer, Guerin, Cosmides, Tooby et Miller (2006) pour un point d’entrée dans la littérature interdisciplinaire associant les neurosciences, la psychologie du raisonnement et la théorie de l’esprit.

7 Une précision s’impose. Il existe une riche tradition de recherche en psychologie qui traite de la perception subjective des probabilités. Ces travaux, toutefois, ne se sont pas développés en référence à la psychologie du raisonnement, mais plutôt dans le cadre de la psychologie du jugement et de la décision. De ce fait, et en dépit de leur importance générale, ils ne seront pas développés dans ce chapitre. Le lecteur ou la lectrice pourra se référer à Baron (2000), Gilovich, Griffin et Kahneman (2002) ou Kahneman, Slovic et Tversky (1982) pour des collections d’articles ou exposés de synthèse.

Auteur

Jean-François Bonnefon

Cognition, langues, langage, ergonomie (CLLE), Université de Toulouse-Le Mirail, Maison de la recherche, 5, allées Antonio-Machado, 31 058 Toulouse Cedex 9