\n| Iyengar, Wells et Schwartz 2006 (r\u00e9sum\u00e9)<\/td>\n | Satisfaction \u00e0 l’\u00e9gard de l’emploi obtenu<\/td>\n | Maximiseurs moins satisfaits ; davantage d’affects n\u00e9gatifs tout au long de la recherche<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Sources : Schwartz et al. (2002), tableau 2 et texte des r\u00e9sultats ; Iyengar, Wells et Schwartz (2006), r\u00e9sum\u00e9. Les corr\u00e9lations sont recopi\u00e9es telles qu’imprim\u00e9es. Le signe pour le bonheur dans l’\u00e9chantillon 4 suit le tableau 2.<\/em><\/p>\nTrois observations tir\u00e9es du recalcul du tableau (calc.py).<\/p>\n Les six \u00e9chantillons dont les corr\u00e9lations sont imprim\u00e9es repr\u00e9sentent 1 627 des 1 747 participants. Dans les six, la corr\u00e9lation avec le bonheur est n\u00e9gative, de -0,34 \u00e0 -0,10, et la corr\u00e9lation avec le regret va de 0,36 \u00e0 0,61. Le sens est constant ; l’ampleur ne l’est pas.<\/p>\n Les effets sont modestes en termes de variance. Une corr\u00e9lation de -0,25 signifie que la maximisation et le bonheur partagent environ 6 % de leur variance. Pour la d\u00e9pression (0,34), le chiffre est d’environ 12 %, et pour le regret (0,52) d’environ 27 %. Le regret est le lien fort.<\/p>\n L’\u00e9tude sur la recherche d’emploi a apport\u00e9 le rebondissement. Les \u00e9tudiants \u00e0 forte tendance \u00e0 la maximisation ont obtenu des offres objectivement meilleures, avec un salaire d’embauche sup\u00e9rieur de 20 %, et ont \u00e9valu\u00e9 le r\u00e9sultat plus n\u00e9gativement. Les auteurs attribuent cet \u00e9cart au recours plus important des maximiseurs \u00e0 des sources d’information externes et \u00e0 leur fixation sur les options r\u00e9alis\u00e9es et non r\u00e9alis\u00e9es. Seul le pourcentage imprim\u00e9 dans le r\u00e9sum\u00e9 est utilis\u00e9 ici, car l’article complet n’\u00e9tait pas accessible.<\/p>\n Si l’histoire s’\u00e9tait arr\u00eat\u00e9e en 2006, le verdict serait simple : maximiser pour l’argent, pratiquer le satisficing pour la tranquillit\u00e9 d’esprit. Elle ne s’est pas arr\u00eat\u00e9e l\u00e0.<\/p>\n <\/span>Pourquoi les \u00e9tudes ult\u00e9rieures ont-elles diverg\u00e9 ?<\/span><\/h2>\nParce que l’\u00e9chelle en 13 items mesure trois choses \u00e0 la fois. Nenkov et ses coll\u00e8gues (2008) ont confirm\u00e9 une structure en trois parties : la recherche d’alternatives (continuer \u00e0 examiner d’autres options), la difficult\u00e9 \u00e0 d\u00e9cider (trouver les choix p\u00e9nibles) et les exigences \u00e9lev\u00e9es (refuser de se contenter du second choix). La fiabilit\u00e9 de l’\u00e9chelle compl\u00e8te allait de 0,54 \u00e0 0,75 avec un alpha moyen de 0,70, et les trois sous-\u00e9chelles atteignaient en moyenne 0,60, 0,62 et 0,61, en dessous de la convention habituelle de 0,70. Les facettes se comportaient aussi diff\u00e9remment : la difficult\u00e9 \u00e0 d\u00e9cider pr\u00e9sentait une corr\u00e9lation n\u00e9gative et significative avec la satisfaction de vie et le bonheur, tandis que la facette des exigences \u00e9lev\u00e9es n’en pr\u00e9sentait pas, et n’\u00e9tait pas corr\u00e9l\u00e9e positivement avec la d\u00e9pression.<\/p>\n Cette observation a divis\u00e9 le champ :<\/p>\n \n- Diab, Gillespie et Highhouse (2008)<\/strong> ont construit la Maximizing Tendency Scale autour des seules exigences \u00e9lev\u00e9es et ont soumis les deux \u00e9chelles \u00e0 210 \u00e9tudiants. L’\u00e9chelle originale \u00e9tait corr\u00e9l\u00e9e \u00e0 -0,24 avec la satisfaction de vie et \u00e0 0,45 avec le regret. La nouvelle \u00e9chelle \u00e9tait corr\u00e9l\u00e9e \u00e0 0,04 avec la satisfaction de vie et \u00e0 0,27 avec le regret. Ils ont conclu que l’image du maximiseur malheureux tient peut-\u00eatre \u00e0 une mauvaise mesure.<\/li>\n
- Lai (2010)<\/strong> a mesur\u00e9 les exigences \u00e9lev\u00e9es et la recherche d’alternatives sans la difficult\u00e9 \u00e0 d\u00e9cider. La maximisation \u00e9tait alors corr\u00e9l\u00e9e positivement avec l’optimisme et le sentiment d’efficacit\u00e9 personnelle, et son association avec le regret \u00e9tait inconstante.<\/li>\n
- Turner et ses coll\u00e8gues (2012)<\/strong> ont construit trois \u00e9chelles distinctes (difficult\u00e9 \u00e0 d\u00e9cider, recherche d’alternatives, satisficing) aupr\u00e8s de 828 \u00e9tudiants de premier cycle. Le satisficing \u00e9tait corr\u00e9l\u00e9 avec le bonheur subjectif \u00e0 r = 0,44, la recherche d’alternatives n’\u00e9tait pas corr\u00e9l\u00e9e avec les indices de bien-\u00eatre, et la difficult\u00e9 \u00e0 d\u00e9cider \u00e9tait corr\u00e9l\u00e9e \u00e0 -0,41 avec l’optimisme.<\/li>\n
- Roets, Schwartz et Guan (2012)<\/strong> ont compar\u00e9 des adultes aux \u00c9tats-Unis (N = 307), en Europe de l’Ouest (N = 263) et en Chine (N = 218). Apr\u00e8s contr\u00f4le des variables d\u00e9mographiques, la maximisation pr\u00e9disait un bien-\u00eatre plus faible aux \u00c9tats-Unis (beta = -0,30) et en Europe de l’Ouest (beta = -0,48), mais pas en Chine (beta = -0,11, non significatif).<\/li>\n
- Giacopelli et ses coll\u00e8gues (2013)<\/strong> ont port\u00e9 trois mesures de la maximisation dans le monde du travail, aupr\u00e8s de 237 r\u00e9pondants en emploi. L’\u00e9chelle originale \u00e9tait corr\u00e9l\u00e9e \u00e0 -0,16 avec la satisfaction au travail et \u00e0 0,04 avec le revenu annuel. L’\u00e9chelle des exigences \u00e9lev\u00e9es \u00e9tait corr\u00e9l\u00e9e \u00e0 0,20 avec la satisfaction au travail et \u00e0 0,15 avec le revenu. Parmi les facettes, la difficult\u00e9 \u00e0 d\u00e9cider \u00e9tait corr\u00e9l\u00e9e \u00e0 -0,21 avec la satisfaction au travail et les exigences \u00e9lev\u00e9es \u00e0 0,28. Leur mise en garde : quelle que soit la mesure, la maximisation n’est pas un pr\u00e9dicteur particuli\u00e8rement fort \u00e0 c\u00f4t\u00e9 du caract\u00e8re consciencieux et des auto-\u00e9valuations centrales.<\/li>\n
- Oishi et ses coll\u00e8gues (2014, r\u00e9sum\u00e9)<\/strong> ont constat\u00e9 que les maximiseurs am\u00e9ricains \u00e9taient plus d\u00e9prim\u00e9s et moins heureux sur l’\u00e9chelle de Schwartz, mais en r\u00e9alit\u00e9 plus heureux que les satisficeurs sur l’\u00e9chelle de Diab. Chez les r\u00e9pondants japonais, les maximiseurs d\u00e9claraient un bien-\u00eatre plus faible quelle que soit l’\u00e9chelle utilis\u00e9e.<\/li>\n
- Dalal et ses coll\u00e8gues (2015, r\u00e9sum\u00e9)<\/strong> sont revenus au texte de Simon et ont conclu que la Maximizing Tendency Scale est plus valide, sur les plans th\u00e9orique et psychom\u00e9trique, que la Maximization Scale.<\/li>\n
- Cheek et Schwartz (2016)<\/strong> ont pass\u00e9 en revue 11 mesures publi\u00e9es et propos\u00e9 un mod\u00e8le \u00e0 deux composantes : un objectif de maximisation (choisir le meilleur) poursuivi au moyen d’une strat\u00e9gie de maximisation (la recherche d’alternatives). La difficult\u00e9 \u00e0 d\u00e9cider et le regret sont, selon eux, des cons\u00e9quences ou des causes, non des composantes.<\/li>\n
- Kim et Miller (2017)<\/strong> ont constat\u00e9 que la baisse plus marqu\u00e9e, chez les maximiseurs, de l’appr\u00e9ciation d’une option choisie apr\u00e8s un retour n\u00e9gatif tenait principalement au facteur de difficult\u00e9 \u00e0 d\u00e9cider.<\/li>\n
- Misuraca et Fasolo (2018)<\/strong> ont appel\u00e9 \u00e0 cesser de d\u00e9velopper de nouvelles \u00e9chelles de maximisation.<\/li>\n
- Cheek et Goebel (2020)<\/strong> ont montr\u00e9 dans deux \u00e9tudes (N total = 639) que les \u00e9chelles de difficult\u00e9 \u00e0 d\u00e9cider et les \u00e9chelles d’ind\u00e9cision sont corr\u00e9l\u00e9es \u00e0 0,85 ou plus. Au vu de ces \u00e9l\u00e9ments, cette partie de l’ancienne \u00e9chelle est de l’ind\u00e9cision sous un autre nom.<\/li>\n
- Vargov\u00e1 et ses coll\u00e8gues (2020)<\/strong> ont test\u00e9 le mod\u00e8le \u00e0 deux composantes sur 514 personnes de la population g\u00e9n\u00e9rale en Slovaquie. La strat\u00e9gie de recherche \u00e9tait corr\u00e9l\u00e9e \u00e0 -0,10 avec le bonheur et \u00e0 0,13 avec la d\u00e9pression. L’objectif (exigences \u00e9lev\u00e9es) \u00e9tait corr\u00e9l\u00e9 \u00e0 0,03 avec le bonheur et \u00e0 0,05 avec la d\u00e9pression.<\/li>\n<\/ul>\n
Un fil va \u00e0 l’encontre du r\u00e9sultat sur les salaires. Parker, Bruine de Bruin et Fischhoff (2007), qui ont \u00e9tudi\u00e9 360 personnes recrut\u00e9es dans la r\u00e9gion de Pittsburgh, rapportent que des scores plus \u00e9lev\u00e9s \u00e0 l’\u00e9chelle originale allaient de pair avec une moindre comp\u00e9tence d\u00e9cisionnelle (r = -0,19 dans leur \u00e9tude ant\u00e9rieure) et de moins bons scores \u00e0 un inventaire de 41 \u00e9v\u00e9nements de vie n\u00e9gatifs (beta standardis\u00e9 = -0,25 seul, -0,12 avec d’autres variables incluses). Sur l’\u00e9chelle originale, les maximiseurs n’obtenaient pas non plus de meilleurs r\u00e9sultats de fa\u00e7on fiable.<\/p>\n <\/span>Alors, quel style l’emporte sur les r\u00e9sultats, et lequel sur le bien-\u00eatre ?<\/span><\/h2>\nPour r\u00e9pondre, les r\u00e9sultats ci-dessus ont \u00e9t\u00e9 cod\u00e9s un par un : quelle composante \u00e9tait mesur\u00e9e, si le r\u00e9sultat \u00e9tait subjectif (regret, bonheur, d\u00e9pression, satisfaction) ou objectif (salaire, revenu, \u00e9preuves de comp\u00e9tence, \u00e9v\u00e9nements de vie d\u00e9clar\u00e9s), et si un score \u00e9lev\u00e9 allait de pair avec un r\u00e9sultat moins bon, nul ou meilleur. Les corr\u00e9lations sans ast\u00e9risque ont \u00e9t\u00e9 cod\u00e9es comme nulles en dessous de la valeur critique bilat\u00e9rale de 0,05 pour la taille de l’\u00e9chantillon (0,127 pour N = 237).<\/p>\n Tableau 2. Analyse CEOtudent de 36 r\u00e9sultats publi\u00e9s, par composante et par type de r\u00e9sultat<\/strong><\/p>\n\n\n\n| Ce qui \u00e9tait mesur\u00e9<\/th>\n | R\u00e9sultats subjectifs : moins bon \/ nul \/ meilleur<\/th>\n | R\u00e9sultats objectifs : moins bon \/ nul \/ meilleur<\/th>\n | Tous les r\u00e9sultats : part de moins bons<\/th>\n<\/tr>\n<\/thead>\n | \n\n| \u00c9chelle de maximisation composite (recherche + difficult\u00e9 + exigences)<\/td>\n | 11 \/ 1 \/ 0<\/td>\n | 2 \/ 1 \/ 1<\/td>\n | 13 sur 16 (81 %)<\/td>\n<\/tr>\n | \n| Exigences \u00e9lev\u00e9es (la maximisation comme objectif)<\/td>\n | 2 \/ 3 \/ 3<\/td>\n | 0 \/ 0 \/ 2<\/td>\n | 2 sur 10 (20 %)<\/td>\n<\/tr>\n | \n| Recherche d’alternatives (la maximisation comme strat\u00e9gie)<\/td>\n | 2 \/ 2 \/ 0<\/td>\n | 0 \/ 1 \/ 0<\/td>\n | 2 sur 5 (40 %)<\/td>\n<\/tr>\n | \n| Difficult\u00e9 \u00e0 d\u00e9cider<\/td>\n | 4 \/ 0 \/ 0<\/td>\n | 0 \/ 1 \/ 0<\/td>\n | 4 sur 5 (80 %)<\/td>\n<\/tr>\n | \n| Toutes les composantes<\/td>\n | 19 \/ 6 \/ 3 (28 r\u00e9sultats)<\/td>\n | 2 \/ 3 \/ 3 (8 r\u00e9sultats)<\/td>\n | 21 sur 36 (58 %)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Analyse CEOtudent de Schwartz et al. (2002), Iyengar et al. (2006), Parker et al. (2007), Diab et al. (2008), Nenkov et al. (2008), Turner et al. (2012), Roets et al. (2012), Giacopelli et al. (2013), Oishi et al. (2014), Kim et Miller (2017) et Vargov\u00e1 et al. (2020). La liste compl\u00e8te du codage figure dans calc.py. Il s’agit d’un d\u00e9compte de sens, non d’une m\u00e9ta-analyse : les r\u00e9sultats ne sont pas pond\u00e9r\u00e9s par la taille des \u00e9chantillons, plusieurs proviennent du m\u00eame \u00e9chantillon, et la s\u00e9lection se limite aux \u00e9tudes pass\u00e9es en revue ici.<\/em><\/p>\nL’\u00e9chelle composite para\u00eet mauvaise \u00e0 cause de ce qu’elle contient.<\/strong> Treize des 16 r\u00e9sultats vont dans le mauvais sens. L’unique cellule \u00ab meilleur \u00bb est le r\u00e9sultat sur le salaire de 20 %.<\/p>\nLes exigences \u00e9lev\u00e9es paraissent sans probl\u00e8me.<\/strong> Seuls 2 r\u00e9sultats sur 10 sont moins bons : un lien avec le regret dans les donn\u00e9es de Diab (r = 0,27, contre 0,45 pour l’\u00e9chelle composite) et l’\u00e9chantillon japonais de l’\u00e9tude d’Oishi. Cinq sur 10 sont meilleurs, y compris les deux r\u00e9sultats objectifs (revenu).<\/p>\nC’est avec la recherche que le co\u00fbt commence.<\/strong> Aucun r\u00e9sultat de cet ensemble ne relie davantage de recherche \u00e0 un bien-\u00eatre plus \u00e9lev\u00e9. Les effets sont faibles (-0,10 avec le bonheur repr\u00e9sente environ 1 % de la variance), mais ils ne pointent jamais vers le haut.<\/p>\nLa difficult\u00e9 \u00e0 d\u00e9cider est le vrai probl\u00e8me.<\/strong> Quatre r\u00e9sultats sur 5 sont moins bons, et le cinqui\u00e8me (revenu) est nul. Comme cette composante est presque impossible \u00e0 distinguer de l’ind\u00e9cision, la lecture pratique est que c’est le tourment, et non l’ambition, qui fait mal.<\/p>\nLe verdict<\/h3>\n\n- Sur le bien-\u00eatre subjectif, le satisficing l’emporte, mais seulement face au type de maximisation qui consiste en comparaisons sans fin et en tourments.<\/strong> Face aux seules exigences \u00e9lev\u00e9es, il ne l’emporte pas. L’\u00e9chelle de satisficing de Turner \u00e9tait corr\u00e9l\u00e9e avec le bonheur \u00e0 0,44, mais la mesure distincte du satisficing de Vargov\u00e1 n’\u00e9tait li\u00e9e \u00e0 rien, si bien que m\u00eame ce point est moins \u00e9tabli que ne le laissent entendre les r\u00e9sum\u00e9s grand public.<\/li>\n
- Sur les r\u00e9sultats objectifs, les preuves sont minces et contrast\u00e9es.<\/strong> Huit r\u00e9sultats : trois meilleurs, trois nuls, deux moins bons. Les exigences \u00e9lev\u00e9es allaient de pair avec un revenu l\u00e9g\u00e8rement sup\u00e9rieur et une \u00e9tude a trouv\u00e9 une prime salariale de 20 %, tandis que deux r\u00e9sultats relient l’\u00e9chelle composite \u00e0 une comp\u00e9tence d\u00e9cisionnelle plus faible et \u00e0 davantage d’\u00e9v\u00e9nements de vie n\u00e9gatifs.<\/li>\n
- La question du style n’est pas la bonne unit\u00e9.<\/strong> La recherche plaide pour la s\u00e9paration de trois choses que la premi\u00e8re \u00e9chelle avait fusionn\u00e9es : le niveau d’exigence, la quantit\u00e9 de recherche et la difficult\u00e9 \u00e9motionnelle. Garder le premier \u00e9lev\u00e9. Plafonner la deuxi\u00e8me \u00e0 l’avance. Traiter la troisi\u00e8me comme le signal que le plafond manque.<\/li>\n<\/ol>\n
<\/span>Avoir plus d’options change-t-il la r\u00e9ponse ?<\/span><\/h2>\nLa litt\u00e9rature situationnelle pose la m\u00eame question \u00e0 propos de l’environnement plut\u00f4t que de la personne. Iyengar et Lepper (2000) ont men\u00e9 la c\u00e9l\u00e8bre exp\u00e9rience de terrain opposant un assortiment limit\u00e9 de 6 confitures \u00e0 un assortiment \u00e9tendu de 24. Pr\u00e8s de 30 % des consommateurs ayant vu l’\u00e9talage limit\u00e9 ont ensuite achet\u00e9 (31 personnes), contre 3 % pour l’\u00e9talage \u00e9tendu (4 personnes), parmi les 249 clients qui se sont arr\u00eat\u00e9s au stand : un taux d’achat dix fois sup\u00e9rieur. Puis sont venues les r\u00e9plications.<\/p>\n Tableau 3. La surcharge de choix dans deux m\u00e9ta-analyses, telle qu’imprim\u00e9e<\/strong><\/p>\n\n\n\n| M\u00e9ta-analyse<\/th>\n | Donn\u00e9es<\/th>\n | R\u00e9sultat tel qu’imprim\u00e9<\/th>\n<\/tr>\n<\/thead>\n | \n\n| Scheibehenne, Greifeneder et Todd (2010)<\/td>\n | 63 conditions issues de 50 exp\u00e9riences publi\u00e9es et non publi\u00e9es, N = 5 036<\/td>\n | Taille d’effet moyenne D = 0,02 (IC \u00e0 95 % de -0,09 \u00e0 0,12) ; \u00ab pratiquement nulle \u00bb, avec une variance consid\u00e9rable entre les \u00e9tudes<\/td>\n<\/tr>\n | \n| Chernev, B\u00f6ckenholt et Goodman (2015)<\/td>\n | 99 observations issues de 53 \u00e9tudes dans 21 articles, N = 7 202<\/td>\n | Quatre mod\u00e9rateurs significatifs : complexit\u00e9 de l’ensemble de choix, difficult\u00e9 de l’exercice de d\u00e9cision, incertitude des pr\u00e9f\u00e9rences, objectif de la d\u00e9cision<\/td>\n<\/tr>\n | \n| Chernev, B\u00f6ckenholt et Goodman (2015)<\/td>\n | Effet moyen de la taille de l’assortiment, selon le type d’\u00e9tude<\/td>\n | b = 0,41 pour les \u00e9tudes sans mod\u00e9rateurs ; b = 0,04 (non significatif) pour les \u00e9tudes avec mod\u00e9rateurs<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Sources : Scheibehenne et al. (2010), r\u00e9sum\u00e9 et r\u00e9sultats ; Chernev et al. (2015), r\u00e9sum\u00e9 et texte des r\u00e9sultats. Dans les deux articles, un effet positif indique une surcharge de choix.<\/em><\/p>\nLes deux m\u00e9ta-analyses sont plus proches qu’il n’y para\u00eet. La premi\u00e8re dit que l’effet moyen d’un plus grand nombre d’options est \u00e0 peu pr\u00e8s nul et qu’il varie beaucoup. La seconde dit que cette variation est syst\u00e9matique : davantage d’options nuisent lorsque les options sont complexes, que l’exercice est difficile, que la personne ne sait pas ce qu’elle veut et que le but est de choisir plut\u00f4t que de parcourir. L’incertitude des pr\u00e9f\u00e9rences est le mod\u00e9rateur qu’une personne ma\u00eetrise. \u00c9crire ce que signifie \u00ab suffisamment bon \u00bb supprime la condition dans laquelle un large ensemble d’options cause des dommages.<\/p>\n La litt\u00e9rature sur la maximisation est arriv\u00e9e \u00e0 la m\u00eame conclusion par l’autre c\u00f4t\u00e9. Le nombre d’options n’est pas le probl\u00e8me, et les exigences non plus. Une recherche ouverte, sans seuil fix\u00e9 \u00e0 l’avance, l’est.<\/p>\n <\/span>Pourquoi les outils d’IA rendent-ils la r\u00e8gle d’arr\u00eat plus importante ?<\/span><\/h2>\nCette section est un raisonnement \u00e0 partir des sources ci-dessus, non de nouvelles donn\u00e9es.<\/p>\n Le satisficeur de Simon s’arr\u00eate parce que chercher co\u00fbte cher. Les outils d’IA g\u00e9n\u00e9rative suppriment une grande partie de ce co\u00fbt pour une vaste classe de d\u00e9cisions. Davantage de variantes de titre, davantage d’itin\u00e9raires, une r\u00e9\u00e9criture de plus de la lettre de motivation : chacune co\u00fbte une requ\u00eate.<\/p>\n Trois cons\u00e9quences d\u00e9coulent de la recherche pass\u00e9e en revue ici.<\/p>\n Le frein naturel a disparu.<\/strong> Si c’\u00e9tait le co\u00fbt qui mettait fin \u00e0 la recherche, et que le co\u00fbt tend vers z\u00e9ro, alors la recherche ne s’arr\u00eate que lorsqu’une r\u00e8gle y met fin. Sans r\u00e8gle, n’importe qui peut se comporter comme le maximiseur \u00e0 forte recherche, la composante qui n’a jamais montr\u00e9 de b\u00e9n\u00e9fice pour le bien-\u00eatre dans les r\u00e9sultats cod\u00e9s plus haut.<\/p>\nLe niveau d’aspiration d\u00e9rive vers le haut.<\/strong> Simon \u00e9crivait en 1955 que le niveau d’aspiration s’\u00e9l\u00e8ve lorsque les options satisfaisantes sont faciles \u00e0 d\u00e9couvrir. Quand une option acceptable appara\u00eet en quelques secondes, chaque option semble am\u00e9liorable et la barre se d\u00e9place chaque fois qu’elle est atteinte. Un seuil \u00e9crit avant la premi\u00e8re requ\u00eate ne peut pas d\u00e9river.<\/p>\nL’incertitude des pr\u00e9f\u00e9rences est mise \u00e0 nu, pas r\u00e9solue.<\/strong> Les mod\u00e9rateurs de Chernev indiquent que les grands ensembles nuisent le plus lorsque la personne ne sait pas ce qu’elle veut. Demander davantage d’options \u00e0 un mod\u00e8le est souvent une mani\u00e8re de repousser cette question. Le rem\u00e8de consiste \u00e0 \u00e9noncer d’abord les crit\u00e8res et \u00e0 demander \u00e0 l’outil d’\u00e9valuer par rapport \u00e0 eux, non \u00e0 g\u00e9n\u00e9rer jusqu’\u00e0 ce que quelque chose paraisse convenir.<\/p>\nIl existe un \u00e9chec inverse, trait\u00e9 dans l’article sur le biais de la premi\u00e8re conclusion<\/a> : prendre la premi\u00e8re r\u00e9ponse de l’IA sans le moindre niveau d’exigence. Ce n’est pas du satisficing au sens de Simon, car aucun seuil n’est appliqu\u00e9. Les deux erreurs ont le m\u00eame rem\u00e8de.<\/p>\n | | |