Apprentissage automatique interprétable avec SHAP prédit un comportement honnête à partir des traits de personnalité et des données physiologiques

Pourquoi cette recherche compte

Nous aimons croire que nous sommes des personnes honnêtes, et pourtant les petites tentations — gonfler une note de frais, exagérer une note, ou emporter discrètement de la monnaie en trop — sont omniprésentes. Cette étude pose une question frappante : de courts actes de malhonnêteté peuvent-ils être prédits à l’avance à partir de qui nous sommes et de la façon dont notre corps réagit sur le moment ? En combinant tests de personnalité, capteurs portables et algorithmes modernes, les chercheur·e·s examinent si de minuscules indices dans nos traits et notre physiologie peuvent annoncer quand nous sommes plus susceptibles d’altérer la vérité.

Comment l’étude a été conçue

L’équipe a recruté 58 étudiant·e·s universitaires qui ont d’abord rempli un questionnaire de personnalité standard appelé HEXACO, qui mesure six grandes tendances comme l’extraversion, l’organisation, la curiosité ou la modestie. Ensuite, les participant·e·s ont été équipé·e·s de capteurs simples : une sangle thoracique pour l’activité cardiaque et des capteurs au doigt pour la sudation et les variations du pouls. Ces dispositifs ont capté des variations subtiles des rythmes cardiaques, de l’activité électrique de la peau et de l’amplitude du pouls au doigt — des signaux qui changent souvent quand les gens se sentent tendus ou en conflit.

Un jeu qui incite à de petits mensonges

Pour observer de vraies décisions, les chercheur·e·s ont utilisé un jeu informatisé de pile ou face qui encourageait discrètement la triche. À chaque essai sur 100, les joueur·euse·s devinaient pile ou face, voyaient le résultat réel, puis déclaraient si leur pari avait été correct, gagnant une petite récompense monétaire pour chaque « victoire » déclarée. Parce que l’ordinateur contrôlait secrètement le nombre de gains et de pertes réels, les scientifiques pouvaient voir exactement quand un·e participant·e prétendait à tort avoir deviné correctement. Chaque essai a été étiqueté comme honnête ou malhonnête selon que le rapport correspondait au résultat réel, offrant à l’équipe un registre précis de centaines de petites décisions morales.

Apprendre aux ordinateurs à lire les indices

Munis des scores du test de personnalité et des relevés corporels au fil du temps, les chercheur·e·s ont entraîné huit modèles d’apprentissage automatique différents — des systèmes informatiques qui recherchent des schémas complexes dans les données. Ils ont construit trois types de prédicteurs : un n’utilisant que les traits de personnalité, un n’utilisant que les signaux physiologiques, et un combinant les deux. Pour garder les résultats impartiaux, ils ont divisé les données en ensembles d’entraînement et de test et utilisé la validation croisée, une méthode standard qui vérifie la capacité d’un modèle à se généraliser au-delà des données sur lesquelles il a été entraîné. Le principal indice de performance était une statistique appelée AUC, qui reflète la capacité du modèle à distinguer les essais malhonnêtes des essais honnêtes à travers différents seuils.

Ce qui a compté le plus

Parmi tous les modèles, une approche fondée sur la personnalité appelée AdaBoost a obtenu les meilleurs résultats, atteignant une AUC solide d’environ 0,84. Cela signifie que les traits stables seuls se sont révélés étonnamment efficaces pour prédire quels essais seraient malhonnêtes. Lorsque les chercheur·e·s n’ont utilisé que des indicateurs physiologiques, ou qu’ils ont combiné traits et physiologie, les performances étaient légèrement inférieures, mais restaient respectables. Pour ouvrir ces modèles « boîte noire », ils ont utilisé une méthode d’interprétabilité appelée SHAP, qui attribue à chaque caractéristique un score de contribution. Pour la personnalité, les liens positifs les plus forts avec la malhonnêteté étaient une plus grande Ouverture à l’expérience et une Extraversion plus élevée, tandis qu’une Conscienciosité plus faible poussait aussi les prédictions vers la triche. En revanche, le trait Honnêteté–Humilité — souvent mis en avant dans des travaux antérieurs — n’a joué qu’un rôle mineur dans ce contexte spécifique à faible enjeu.

Ce que le corps révèle face à la tentation

Les signaux physiologiques ont également porté des indices, bien moins puissants que les traits. Des motifs dans la variabilité de la fréquence cardiaque à très basse fréquence sont apparus comme un prédicteur corporel clé : des valeurs plus élevées étaient associées à une probabilité accrue d’être signalé comme malhonnête. Un autre signal important était l’amplitude du pouls au doigt, qui a tendance à diminuer lorsque les vaisseaux sanguins se contractent sous l’effet de l’excitation ou du stress ; une amplitude de pouls plus faible était liée à davantage de prédictions de malhonnêteté. Les mesures de conductance cutanée, reflétant de petites variations de la transpiration, ont aussi contribué mais dans une moindre mesure. Les auteurs suggèrent que même une petite tricherie dans un jeu simple peut provoquer des réactions corporelles subtiles liées à la tension, au conflit ou à l’excitation, bien que ces signaux puissent se brouiller lorsqu’ils sont moyennés sur une longue session.

Limites, questions ouvertes et pertinence réelle

Si les modèles ont bien fonctionné pour ce jeu de laboratoire, les auteurs soulignent plusieurs mises en garde. L’étude impliquait un groupe relativement restreint de jeunes adultes d’un seul contexte culturel, donc les résultats peuvent ne pas se généraliser à des populations plus âgées, plus diverses ou à des situations à fort enjeu où la réputation et les relations sont en jeu. Les mesures physiologiques ont été moyennées sur l’ensemble de la session plutôt que liées à des essais individuels, ce qui a peut‑être affaibli leur pouvoir prédictif. Et parce que de nombreux traits de personnalité sont interconnectés, l’importance attribuée à un trait unique doit être interprétée avec prudence. Néanmoins, ce travail offre un premier schéma pour combiner questionnaires, biosignaux et algorithmes interprétables afin de comprendre comment la constitution personnelle et les états corporels influencent l’honnêteté quotidienne.

Ce que cela signifie pour l’honnêteté de tous les jours

En termes simples, cette recherche suggère que la triche rapide et à faible coût n’est pas aléatoire : elle reflète un mélange de tendances durables — comme la curiosité, l’extraversion ou la discipline — et d’émotions corporelles passagères qui se manifestent face à la tentation. L’étude montre que des ordinateurs peuvent apprendre à lire ces schémas suffisamment bien pour faire des prédictions supérieures au hasard sur qui arrangera la vérité lors d’un essai donné, et pourquoi. Bien loin d’être un outil pour juger des individus dans la vie réelle, l’approche ouvre la voie à des manières plus nuancées d’étudier l’honnêteté, et pourrait éventuellement aider les institutions à concevoir des environnements et des garde-fous plus équitables réduisant l’attrait des petits mensonges coûteux.

Citation: Meng, Y., Chen, Y., Zhang, Z. et al. Interpretable machine learning with SHAP predicts honest behavior from personality traits and physiological data. Sci Rep 16, 13457 (2026). https://doi.org/10.1038/s41598-026-41677-y

Mots-clés: comportement malhonnête, traits de personnalité, signaux physiologiques, apprentissage automatique, prise de décision morale