Axe DecA : Decision-making Agents

Le nouvel axe « Agents Décisionnels » structure les recherches de l’unité MIAT sur l’étude des comportements au sein des systèmes agronomiques et socio-environnementaux, en accordant une attention particulière à la modélisation des êtres vivants sociaux. Il s’intéresse aux processus décisionnels individuels ou collectifs, avec trois objectifs principaux :

• explicatif, pour mieux comprendre les mécanismes de prise de décision et en extraire des connaissances ;
• prédictif, afin d’anticiper l’évolution des comportements dans des contextes variés ;
• stratégique, afin d’optimiser les choix décisionnels.

L’axe couvre ainsi l’ensemble des étapes nécessaires à l’analyse des comportements décisionnels, de l’analyse des données comportementales à la conception et l’exploitation de modèles. Un des défis majeurs consiste à développer des modèles capables de représenter de manière réaliste non seulement les comportements individuels, mais aussi leurs interactions sociales, afin de capturer les dynamiques complexes à l’œuvre au sein de collectifs/systèmes hétérogènes.

Dans les prochaines années, cet axe se concentrera sur les thématiques de recherche suivantes :

Thématique : Collecte et analyse de données comportementales à travers des mises en situation

Ces données sont indispensables pour élaborer des modèles de comportement pertinents. Or, certaines informations, comme les profils psychologiques ou les motivations individuelles, sont difficiles à expliciter et à capturer. Nous proposons d’explorer des approches mettant les acteurs en situation, afin d’acquérir des données comportementales riches et contextualisées. Ces mises en situation s’appuieront notamment sur des méthodes d’économie expérimentale et sur des jeux sérieux, afin de mieux comprendre les mécanismes de prise de décision individuelle et collective.

Thématique : Comportements décisionnels individuels en situations de risque ou d’incertitude

L’objectif est de développer des modèles mathématico-informatiques comportementaux plus réalistes, basés sur des données empiriques et intégrant des avancées des sciences socio-cognitives (psychologie, sociologie, neurosciences). Bien que l’accent soit mis sur l’humain, la modélisation de comportements d’agents non-humains est également envisagée. Un défi majeur est de garantir la fidélité de ces modèles tout en assurant leur faisabilité computationnelle (défi partagé avec l’axe « Biologie computationnelle »).

Une attention particulière sera portée à la modélisation des mécanismes d’apprentissage individuel, permettant aux agents d’acquérir des comportements par expérience, en utilisant l’apprentissage par renforcement, plutôt que d’être préprogrammés.

Thématique : Modélisation du comportement et la prise de décision à l’échelle collective

Dans des contextes où les décisions des acteurs s’influencent mutuellement, comme dans la gestion des ressources naturelles ou l’élaboration de politiques publiques, un enjeu identifié est la modélisation des comportements et de la prise de décision à cette échelle collective. Les modèles de comportements individuels (humains ou non-humains) issus de la deuxième thématique pourront être intégrés dans des modèles multi-acteurs afin de représenter les interactions entre individus.

L’objectif est de caractériser des dynamiques émergentes ou d’identifier des stratégies collectives stables (en équilibre), en mobilisant des approches de théorie des jeux ou de simulation à base d’agents. Une attention particulière sera portée à la modélisation des interactions sociales, notamment à travers la représentation des échanges d’arguments entre agents. Le lien entre comportements collectifs et apprentissage sera exploré, par exemple en hybridant ces modèles avec des algorithmes d’apprentissage par renforcement multi-agents. Ce type de travaux pourra, notamment, être utile pour développer des jumeaux numériques intégrant des dynamiques sociales et humaines.

Applications et enjeux sociétaux

Les recherches menées dans cet axe contribueront à des domaines tels que la transition agroécologique, l’agriculture numérique, la gestion des risques environnementaux (feux de forêt, inondations, etc.), ou encore les systèmes alimentaires durables. Un exemple clé de projet récemment soumis est le projet CARDS, déposé dans le cadre de l’appel TSIA 2025 de l’ANR, et que nous pilotons. Il réunit quatre membres de cet axe et couvre l’ensemble des thématiques évoquées. Son objectif est de coupler la simulation à base d’agents avec l’apprentissage par renforcement afin de soutenir la réflexion sur les politiques publiques à mettre en œuvre pour accompagner la transition agroécologique.

Les recherches menées dans l’axe s’inscriront également dans les projets ciblés XRisks (PEPR FORESTT), sur la modélisation du marché de l’assurance forestière face à des risques multiples, et dans un projet du PEPR SOLUBIOD, via des expérimentations et actions de partage autour des solutions fondées sur la nature. Par ailleurs, deux thèses débuteront en 2025 : l’une sur l’apprentissage des équilibres de Stackelberg-Nash en jeux à information incomplète, appliquée aux politiques d’assurance forestière (impliquant trois membres de l’axe), l’autre sur les interactions entre risques et bénéfices dans la bioéconomie circulaire, en collaboration avec Rallou Thomopoulos (IATE INRAE, département TRANSFORM).

Enfin, l’axe contribuera aux discussions sur l’usage des modèles et des outils d’aide à la décision, en portant une attention particulière aux défis et limites associés qu’il contribuera à identifier.

Membres de l’axe