Manque de généralisabilité du groupe à l’individu dans les pseudocontingences

Pourquoi nos croyances alimentaires peuvent induire en erreur

Beaucoup de gens pensent que les aliments les plus savoureux sont les moins sains, alors qu’il existe de nombreux plats à la fois nutritifs et délicieux. Cet article examine pourquoi de telles croyances tenaces apparaissent et, surtout, pourquoi des personnes différentes peuvent recourir à ces raccourcis à des degrés très variés. En décortiquant la manière dont nous apprenons à partir des expériences alimentaires quotidiennes, les auteurs montrent qu’une règle mentale simple peut façonner nos représentations du monde — et que la moyenne interindividuelle peut masquer l’hétérogénéité réelle de nos façons de penser.

Comment nous inférons des liens sans les observer directement

Les humains infèrent constamment des relations : les nuages sombres annoncent la pluie, un grand nombre de publications signale le succès académique, et pour beaucoup, les aliments malsains sont synonymes de meilleur goût. Souvent, nous ne suivons pas la fréquence réelle des cooccurrences ; nous nous appuyons plutôt sur la fréquence de chaque élément pris séparément. Les auteurs s’intéressent à ce raccourci, appelé inférence de pseudocontingence : les gens considèrent les fréquences marginales de « sain » et « savoureux » dans leur environnement comme si ces taux de base révélaient directement un lien entre santé et goût. Cette stratégie peut être efficace lorsque l’information est limitée, mais elle peut facilement produire des illusions quand l’environnement est biaisé — par exemple, lorsqu’il existe de nombreuses options peu saines mais très appétissantes.

Un modèle informatique de l’apprentissage à partir d’environnements alimentaires

Pour étudier ce processus, les chercheurs ont construit un modèle informatisé basé sur des agents dans lequel des individus simulés rencontrent les aliments un par un dans différents environnements. Pour chaque aliment, un agent note s’il est sain et s’il est savoureux. À partir de ces expériences, l’agent peut calculer deux types d’informations : l’appariement réel entre santé et goût (à quelle fréquence ils coexistent) et les taux de base (à quelle fréquence chacun apparaît globalement). Le modèle suppose que chaque agent combine ces deux sources en une croyance unique, contrôlée par un paramètre de force du biais. À une extrémité, les croyances suivent uniquement les appariements réels ; à l’autre, elles suivent uniquement les taux de base. Au fur et à mesure que les agents voient plus d’aliments, ils mettent à jour leurs croyances, imitant la manière dont les personnes peuvent progressivement former une impression du lien santé–goût.

Les gens utilisent des raccourcis — mais pas de la même façon

Les auteurs ont ensuite ajusté ce modèle sur des données existantes d’expériences en laboratoire dans lesquelles des participants ont évalué de nombreux repas variant en santé et en goût. Les environnements avaient été conçus de sorte que les taux de base et les appariements réels pointent parfois dans des directions opposées. Lorsque le modèle utilisait une unique force de biais partagée par tous, il reproduisait la tendance moyenne à estimer que les aliments malsains sont plus savoureux dans les environnements aux taux de base biaisés. Cependant, ce réglage au niveau du groupe ne parvenait pas à rendre compte de la grande dispersion des réponses individuelles observée expérimentalement. Lorsque les chercheurs ont permis à chaque personne d’avoir sa propre force de biais, ils ont trouvé des preuves fortes que la plupart des individus ont tendance à s’appuyer sur les taux de base, mais à des degrés très variables. En moyenne, les individus recouraient aux pseudocontingences moins que ne le suggérait le modèle au niveau du groupe, et les valeurs individuelles allaient d’une faible à une très forte dépendance.

Quand des modèles simples généralisent mieux que des modèles détaillés

L’équipe est allée plus loin en testant si ces paramètres estimés pouvaient prédire les résultats d’une seconde expérience indépendante comportant un environnement alimentaire légèrement différent. Fait intéressant, le paramètre unique applicable à tous a mieux prédit les croyances moyennes dans cette nouvelle étude que les paramètres individuels plus fins. Le modèle riche et spécifique à chaque personne capturait la variation au sein du jeu de données original mais semblait surajuster du bruit qui ne se retrouvait pas dans de nouveaux contextes. Cela révèle une tension bien connue dans de nombreux domaines : les modèles qui suivent étroitement les individus peuvent expliquer davantage de détails dans une étude mais moins bien généraliser que des descriptions plus simples et plus parcimonieuses.

Ce que cela implique pour comprendre et changer les croyances

Les résultats montrent que beaucoup de nos croyances quotidiennes sur la façon dont les choses vont ensemble — comme « malsain = savoureux » — peuvent naître de la manière simple dont nous lisons la structure de notre environnement, plutôt que des relations sous-jacentes réelles. Pourtant, les individus diffèrent sensiblement quant à leur recours à ce raccourci, et les modèles qui font la moyenne peuvent surestimer cette dépendance. Pour ceux qui conçoivent des messages de santé, des politiques de consommation ou des interventions sociales, l’étude suggère deux leçons : modifier ce qui est le plus fréquent dans notre environnement peut faire évoluer les croyances de façon systématique, et prendre en compte les différences individuelles peut être crucial pour cibler le changement de comportement ou expliquer les inégalités en matière de santé.

Citation: Kaan, J., Kunz, S., Moore, S. et al. Lack of group-to-individual generalizability in pseudocontingencies. Sci Rep 16, 10459 (2026). https://doi.org/10.1038/s41598-026-41585-1

Mots-clés: formation des croyances, habitudes alimentaires, biais cognitif, modélisation computationnelle, perception de la santé