Expériences de Pensée – Miguel Costa-Gomes, Vincent Crawford et Bruno Broseta

L’analyse microéconomique contemporaine s’est longtemps articulée autour d’un postulat axiomatique fondamental : l’hypothèse de rationalité parfaite des agents économiques, matérialisée dans la théorie des jeux non coopératifs par le concept d’équilibre de Nash. Sous ce prisme classique, chaque décideur est réputé posséder une capacité computationnelle illimitée, être capable d’anticiper avec une exactitude sans faille les réactions de ses partenaires ou adversaires, et agir selon une croyance commune en la rationalité universelle. Pourtant, confrontée aux données empiriques issues des laboratoires d’économie comportementale à partir des années 1980 et 1990, cette architecture déductive a révélé de profondes dissonances cognitives. Les agents réels s’écartent fréquemment, systématiquement et substantiellement des sentiers d’équilibre théorique, particulièrement dans les jeux dits « à un coup » (one-shot games), où aucune période préalable d’apprentissage ou de sélection adaptative ne permet aux sujets de converger mécaniquement vers un équilibre prévisible.

C’est précisément pour disséquer l’anatomie de ces écarts et dévoiler la dynamique interne du calcul stratégique que Miguel Costa-Gomes, Vincent P. Crawford et Bruno Broseta ont publié en 2001 une étude expérimentale monumentale dans la revue Econometrica, intitulée « Cognition and Behavior in Normal-Form Games: An Experimental Study ». Loin de se contenter de répertorier les choix terminaux des sujets afin de postuler ex post des modèles de préférences alambiqués, ces chercheurs ont introduit une rupture méthodologique radicale : ouvrir la « boîte noire » du raisonnement stratégique individuel en observant simultanément les décisions finales et le processus physique de collecte d’informations précédant chaque prise de position. En mobilisant une interface informatique pionnière de suivi de l’attention visuelle, nommée MouseLab, les auteurs ont réussi à capturer les traces matérielles du raisonnement humain.

L’ambition de leurs travaux dépasse largement le cadre d’une simple réfutation empirique de l’orthodoxie néoclassique. En élaborant un protocole d’inférence économétrique conjointe et en testant des modèles rivaux de rationalité limitée — notamment les théories de niveaux de raisonnement itératif (Level-k thinking) et les algorithmes d’élimination des stratégies dominées —, Costa-Gomes, Crawford et Broseta ont posé les fondations épistémologiques de la théorie comportementale des jeux moderne. Leur publication a redéfini les critères d’admissibilité scientifique de la modélisation décisionnelle, en exigeant que les hypothèses théoriques relatives à la psychologie cognitive des joueurs soient directement confrontées aux patrons concrets de recherche et d’assimilation de l’information.

1. Introduction aux expériences sur la cognition stratégique de Costa-Gomes, Crawford et Broseta

1.1 Le contexte historique et conceptuel de l’étude séminale de 2001

À l’orée du XXIe siècle, l’économie expérimentale traverse une phase de maturité critique. Bien que les modèles fondés sur l’équilibre de Nash aient permis des avancées analytiques considérables dans la régulation industrielle, les enchères et le commerce international, leur pouvoir prédictif en laboratoire se heurte à des anomalies récurrentes. Face à cette tension grandissante, la théorie des jeux comportementale émerge pour corriger les angles morts de l’approche néoclassique. Les économistes constatent que, placés devant des matrices de gains sous forme normale sans historique d’interaction, les participants humains manifestent des régularités empiriques inexplicables par les concepts d’équilibre traditionnels. L’interaction stratégique inaugurale ne s’avère ni purement chaotique ni parfaitement coordonnée selon les canons de la rationalité substantielle.

La parution en 2001, au sein de la prestigieuse revue Econometrica, de l’article de Miguel Costa-Gomes, Vincent Crawford et Bruno Broseta marque une étape décisive dans ce basculement paradigmatique. Ce projet de recherche ambitieux réunit des compétences pointues à l’intersection de la théorie des jeux formelle, des méthodes expérimentales rigoureuses et de l’économétrie structurelle. Crawford, l’un des théoriciens majeurs de la communication stratégique et de la coordination, s’associe à Costa-Gomes et Broseta pour explorer comment les contraintes cognitives réelles influencent le comportement effectif dans les jeux sous forme normale. Leur intuition fondamentale repose sur l’idée que pour expliquer pourquoi un individu choisit une stratégie donnée, il est indispensable de comprendre comment il a appréhendé le problème décisionnel.

Cette étude s’inscrit en rupture avec la tradition behavioriste stricte qui prévalait alors en microéconomie. Jusqu’alors, la méthode dominante consistait à observer uniquement les choix finaux des agents, puis à déduire par rétro-ingénierie les fonctions d’utilité ou les croyances sous-jacentes. Costa-Gomes, Crawford et Broseta affirment que cette approche par les « préférences révélées » souffre d’une faiblesse rédhibitoire : plusieurs modèles cognitifs diamétralement opposés peuvent produire les mêmes choix observés dans un ensemble restreint de jeux. Pour dépasser ce mur de l’indiscernabilité observationnelle, les auteurs soutiennent qu’il faut examiner le cheminement cognitif lui-même, mesurant pas à pas la manière dont les sujets acquièrent, inspectent et traitent les données numériques du jeu avant d’arrêter leur décision.

1.2 L’objectif scientifique : sonder la boîte noire de la prise de décision

L’objectif central de l’expérimentation conçue par Costa-Gomes, Crawford et Broseta réside dans la décomposition fine des mécanismes cognitifs guidant l’interaction stratégique. Les auteurs cherchent à identifier les algorithmes mentaux réels que déploient les individus lorsqu’ils doivent anticiper les comportements d’un partenaire ou d’un rival. Plutôt que de postuler arbitrairement que chaque joueur résout instantanément un système complexe d’équations de meilleure réponse mutuelle, l’expérience vise à mesurer empiriquement le degré effectif de sophistication stratégique de la population étudiée. Cette sophistication renvoie à la profondeur de calcul dont un joueur est capable : prend-il en compte les gains de son partenaire ? Anticipe-t-il que son partenaire analyse également ses propres gains ? Combien d’itérations récursives de ce type un esprit humain moyen est-il capable de soutenir ?

Pour apporter des réponses mesurables, les chercheurs mettent en compétition directe plusieurs modèles de raisonnement hors équilibre issus de la psychologie cognitive et de la rationalité limitée. Il ne s’agit pas simplement de constater un échec de la théorie orthodoxe, mais de valider expérimentalement des hypothèses alternatives précises concernant la structure algorithmique de la pensée humaine. Les sujets sont-ils des optimiseurs naïfs qui traitent l’environnement comme un système probabiliste inerte ? Sont-ils des stratèges capables d’un raisonnement étagé à un, deux ou trois niveaux d’anticipation réciproque ? Ou obéissent-ils à des heuristiques de prudence universelle comme la minimisation des pertes maximales ? En sondant la « boîte noire » de la cognition, les auteurs transforment des conjectures théoriques abstraites en grandeurs observables et falsifiables selon la méthodologie poppérienne.

L’apport scientifique repose ainsi sur la double mesure : confronter les choix réels à la fois aux prédictions comportementales des modèles théoriques et aux prédictions sur les patrons de recherche d’information. En observant quelles cellules de la matrice de gains sont consultées, dans quel ordre chronologique, et pendant combien de millisecondes, les chercheurs parviennent à vérifier si le processus d’investigation d’un joueur coïncide logiquement avec les réquisits computationnels du modèle qui lui est attribué. Ce niveau de granularité dans l’observation expérimentale constitue une rupture épistémologique majeure pour les sciences économiques.

1.3 Importance des travaux pour l’économie comportementale et la psychologie cognitive

La portée intellectuelle de l’article de Costa-Gomes, Crawford et Broseta dépasse largement le périmètre technique de la théorie des jeux sous forme normale. Leurs travaux ont orchestré un rapprochement méthodologique et conceptuel sans précédent entre l’économie mathématique formelle et la psychologie du traitement de l’information. En intégrant des notions développées par la psychologie de l’attention et de la mémoire de travail dans un modèle économétrique formel d’utilité aléatoire, les auteurs ont démontré que la rigueur analytique de l’économie pouvait s’enrichir des apports descriptifs des sciences cognitives sans perdre sa puissance axiomatique.

Ces travaux ont ébranlé l’un des piliers les plus dogmatiques de la pensée économique classique : l’hypothèse de rationalité commune (common knowledge of rationality), selon laquelle chaque joueur sait que tous les autres sont rationnels, sait que tous les autres savent qu’il est rationnel, et ainsi de suite à l’infini. En prouvant que les acteurs économiques opèrent avec des anticipations hétérogènes et des croyances asymétriques sur les facultés mentales d’autrui, Crawford et ses coauteurs ont légitimé l’abandon progressif du concept d’anticipations rationnelles au profit d’anticipations structurellement ancrées dans des contraintes psychologiques réelles. Cette percée a ouvert la voie à une refonte de la théorie de la coordination, des modèles de fixation de prix sur les marchés asymétriques et de la conception des mécanismes d’incitation institutionnels.

Enfin, l’étude a établi un standard méthodologique pour l’évaluation empirique des « types cognitifs ». Avant cette publication, la modélisation de l’hétérogénéité individuelle se limitait souvent à l’estimation de distributions continues de paramètres d’aversion au risque ou de préférences temporelles. L’approche de Costa-Gomes, Crawford et Broseta a formalisé l’existence de types discrets de raisonnement algorithmique, permettant aux économistes de classifier la population non plus selon des intensités de désir, mais selon des architectures qualitatives de calcul mental. Ce modèle d’inférence statistique conjointe demeure aujourd’hui un paradigme fondateur pour les recherches en neuroéconomie et en sciences de la décision.

2. Les fondements théoriques : Théorie des jeux classique face à la rationalité limitée

2.1 Les postulats de l’équilibre de Nash et leurs limites empiriques

Dans l’architecture de la théorie des jeux non coopératifs développée par John Nash en 1950, l’équilibre représente une situation stratégique dans laquelle aucun joueur ne regrette son choix unilatéral après avoir découvert les choix de ses adversaires. Sur le plan épistémique, la validité de l’équilibre de Nash repose sur deux piliers indissociables : d’une part, la rationalité substantive des agents, qui maximise rigoureusement leur espérance d’utilité compte tenu de leurs croyances ; d’autre part, la cohérence mutuelle absolue de ces croyances. En d’autres termes, pour qu’un équilibre de Nash se matérialise d’emblée, les croyances subjectives de chaque acteur concernant les intentions d’autrui doivent coïncider exactement avec les stratégies objectives effectivement déployées par ces mêmes partenaires.

Si cette condition de circularité parfaite peut se concevoir comme l’état stationnaire d’un processus dynamique d’apprentissage répété — au cours duquel les erreurs de prédiction sont progressivement éliminées par l’expérience —, elle s’avère particulièrement fragile dans les contextes d’interaction inaugurale ou à un coup. Lorsqu’un agent est plongé dans un environnement stratégique totalement inédit, privé de signaux préalables ou de conventions historiques, l’exigence d’anticipations mutuellement cohérentes exige une forme d’omniscience télépathique. Rien dans la logique déductive pure ne permet d’expliquer comment deux individus isolés, sans communication, parviennent à coordonner instantanément leurs représentations subjectives sur un profil de stratégies unique parmi une multiplicité d’issues concevables.

Les données expérimentales accumulées dès la fin du XXe siècle ont mis en lumière des écarts systématiques entre les prédictions déterministes de Nash et les distributions réelles des actions choisies par les sujets humains. La théorie standard s’est montrée incapable de rendre compte des hésitations structurelles, des erreurs asymétriques d’interprétation et de la sensibilité spectaculaire des joueurs aux représentations visuelles ou contextuelles des gains (effets de cadrage). Plus fondamentalement, l’équilibre classique présuppose qu’aucun individu ne commet d’erreur de raisonnement et qu’aucun individu ne soupçonne son prochain d’en commettre, une hypothèse réfutée par la simple observation de l’hétérogénéité des comportements en laboratoire.

2.2 La notion de rationalité limitée introduite par Herbert Simon

Pour sortir de l’impasse descriptive de la théorie classique, l’économie comportementale s’est tournée vers les idées pionnières d’Herbert Simon sur la rationalité limitée (bounded rationality). Simon a contesté dès les années 1950 la pertinence opérationnelle de l’optimisation globale sans coût. Il a rappelé que l’esprit humain, en tant que système biologique de traitement des symboles, dispose de capacités computationnelles rigoureusement finies, d’une mémoire de travail à court terme très restreinte et d’une puissance d’attention limitée. Les décideurs réels ne peuvent pas explorer l’intégralité de l’arbre des possibilités combinatoires ; ils recourent nécessairement à des heuristiques de décision, c’est-à-dire des raccourcis cognitifs permettant d’aboutir à des solutions satisfaisantes plutôt qu’optimales.

Dans ses écrits épistémologiques, Simon introduit une distinction devenue canonique entre la rationalité substantive et la rationalité procédurale. La rationalité substantive caractérise un comportement jugé exclusivement à l’aune de son adéquation aux objectifs de l’agent, abstraction faite des contraintes matérielles ou mentales requises pour générer ce comportement. C’est le royaume de la microéconomie néoclassique standard. La rationalité procédurale, en revanche, s’intéresse à la nature même du processus cognitif, c’est-à-dire à l’efficacité et au réalisme psychologique des algorithmes de calcul, de recherche d’information et d’inférence employés par l’acteur face à des environnements complexes.

L’application de la rationalité procédurale aux jeux stratégiques simultanés implique un changement complet de perspective. Dans une matrice de gains, le défi du joueur n’est pas simplement d’identifier le point fixe d’une correspondance mathématique complexe, mais d’exécuter une suite finie d’opérations d’inspection visuelle et de comparaisons arithmétiques. Les contraintes cognitives limitent la capacité des agents à simuler mentalement les déductions récursives des autres joueurs. Dès lors, le comportement d’un joueur en laboratoire ne doit plus être interprété comme une approximation maladroite de l’équilibre parfait, mais comme le résultat rigoureux d’une procédure algorithmique délimitée par ses propres coûts d’acquisition et de traitement de l’information.

2.3 Émergence des approches par niveaux de raisonnement (Level-k Thinking)

Afin de modéliser mathématiquement cette rationalité procédurale dans les interactions stratégiques, une nouvelle classe de modèles théoriques émerge au milieu des années 1990 : les théories par niveaux de raisonnement, ou modèles Level-k. Initiée de manière pionnière par Rosemarie Nagel (1995) à travers ses expériences sur le jeu du concours de beauté (beauty contest game), et formalisée par Dale Stahl et Paul Wilson (1994, 1995), cette approche postule que les individus ne partagent pas un niveau homogène de sophistication cognitive, mais se situent sur différents échelons d’une hiérarchie itérative de croyances.

Le principe structurant du modèle Level-k réside dans la définition récursive des règles de décision. Au fondement de cette hiérarchie se trouve le comportement de niveau zéro, noté L0, qui incarne un comportement non stratégique de référence, généralement modélisé comme un choix purement aléatoire et uniforme sur l’ensemble des stratégies accessibles. Un joueur de niveau 1 (L1) considère ses adversaires comme des agents de type L0 ; il calcule donc sa meilleure réponse sous l’hypothèse simplificatrice que son vis-à-vis joue au hasard. Un joueur de niveau 2 (L2), franchissant une étape supplémentaire d’anticipation stratégique, conçoit son adversaire non pas comme un être erratique, mais comme un joueur de niveau L1 ; il sélectionne par conséquent la stratégie qui maximise son gain espéré face à une réponse L1.

Cette formalisation théorique offre un cadre d’une puissance exceptionnelle pour plusieurs raisons :

• Elle remplace le concept abstrait d’anticipations mutuellement cohérentes par une dynamique déductive unidirectionnelle finie : chaque joueur optimise face à un modèle simplifié de son environnement social.
• Elle formalise l’hétérogénéité fondamentale des populations de joueurs observées empiriquement, chaque individu étant doté d’une profondeur de réflexion propre (généralement plafonnée à 1 ou 2 étapes chez les sujets non avertis).
• Elle offre des prédictions comportementales pointues et différenciées selon les types, rompant définitivement avec le postulat monolithique de l’acteur représentatif rationnel.

3. Le protocole expérimental et le dispositif novateur MouseLab

3.1 Architecture générale de l’expérience et sélection des jeux

Pour tester la réalité empirique de ces constructions théoriques, Miguel Costa-Gomes, Vincent Crawford et Bruno Broseta conçoivent un protocole expérimental d’une rigueur chirurgicale. Le cœur de leur dispositif repose sur une batterie de seize jeux sous forme normale à deux joueurs en information complète. Chaque participant est confronté successivement à cette série de matrices de gains asymétriques, conçues pour être jouées sans communication verbale ni possibilité d’accord préalable. L’architecture globale est paramétrée pour que chaque jeu possède un profil d’équilibre et des propriétés de dominance spécifiques, variant en taille entre matrices de deux par deux, deux par trois, ou trois par deux options stratégiques.

Un impératif méthodologique crucial guide l’ensemble de l’expérience : isoler le raisonnement stratégique pur, dans sa phase inaugurale, de tout effet d’apprentissage statistique ou de correction adaptative. Pour ce faire, les auteurs interdisent tout retour d’information (feedback) immédiat entre les décisions successives. Un participant ne découvre jamais le choix de son vis-à-vis ni le gain obtenu à l’issue d’une manche avant que l’intégralité des seize jeux ne soit complétée. En neutralisant l’apprentissage séquentiel par renforcement, les expérimentateurs s’assurent que chaque action reflète les mécanismes cognitifs a priori mobilisés par le joueur, et non une convergence mécanique issue d’essais et d’erreurs passés.

La sélection des matrices de gains ne doit rien au hasard. Les auteurs conçoivent minutieusement les gains numériques de manière à discriminer analytiquement les modèles concurrents. Dans un jeu standard mal étalonné, une même stratégie optimale peut simultanément correspondre à l’équilibre de Nash, à la meilleure réponse L1, à la réponse L2, ou à l’élimination des stratégies dominées. Les seize jeux de l’expérience de 2001 ont été délibérément calibrés pour dénouer ces confusions observationnelles : les matrices introduisent des tensions paramétriques où la stratégie prédite par un niveau de réflexion spécifique diverge radicalement de celle prédite par les autres types cognitifs. Cette ingénierie paramétrique constitue le premier socle de la puissance séparatrice de l’expérience.

3.2 Le fonctionnement technique du système MouseLab

L’innovation matérielle la plus emblématique du protocole réside dans l’utilisation du dispositif logiciel MouseLab, initialement développé par John Payne, James Bettman et Eric Johnson pour étudier la psychologie des choix des consommateurs. Costa-Gomes, Crawford et Broseta adaptent ce système à la théorie des jeux pour en faire un instrument de pistage attentionnel. Sur l’écran de l’ordinateur, les cases de la matrice de gains ne sont pas affichées en clair. Les paiements attribués au joueur lui-même et ceux attribués à son adversaire sont dissimulés sous des boîtes graphiques grises étiquetées de manière descriptive (par exemple « Mon gain si je choisis le Haut et l’Autre choisit la Gauche »).

Pour inspecter un gain spécifique, le participant doit placer activement le curseur de sa souris au-dessus de la boîte correspondante. Le montant numérique sous-jacent s’affiche instantanément à l’écran, mais uniquement tant que le curseur demeure à l’intérieur du périmètre de la cellule. Dès que l’utilisateur déplace la souris en dehors de cette zone, la boîte se referme immédiatement et le nombre redevient invisible. Le système ne permet l’ouverture que d’une seule cellule à la fois, contraignant physiquement le sujet à une consultation strictement séquentielle de l’information matricielle disponible.

Pendant toute la durée de la délibération, MouseLab enregistre automatiquement une volumétrie colossale de micro-données temporelles et spatiales :

• L’identité exacte de chaque boîte consultée tout au long du processus.
• L’ordre chronologique précis et les séquences d’ouvertures successives.
• La durée de chaque fixation visuelle, quantifiée à la milliseconde près.
• Le nombre total de retours attentionnels sur des cellules préalablement inspectées.

Cet enregistrement continu produit un relevé exhaustif de l’itinéraire cognitif parcouru par chaque individu avant la validation définitive de son action stratégique.

3.3 La valeur épistémologique de la recherche d’information comme trace cognitive

L’exploitation épistémologique des données de recherche d’information via MouseLab repose sur une hypothèse opératoire fondamentale formulée par les auteurs : l’existence d’une corrélation directe et nécessaire entre l’attention visuelle portée à un élément informationnel et le calcul algorithmique interne qui manipule cet élément. Pour qu’un individu effectue un calcul comparatif entre deux gains, il est indispensable, compte tenu des limites de la mémoire de travail humaine, qu’il ait préalablement extrait ces valeurs de son environnement perceptif. Dès lors, le patron d’inspection oculaire devient une empreinte digitale du raisonnement sous-jacent.

Cette approche permet aux expérimentateurs d’opérer des distinctions nettes et objectives entre plusieurs régimes de traitement cognitif :

• Les données acquises : les cellules de gains ouvertes et consultées un temps suffisant pour être mémorisées et traitées dans le système cognitif.
• Les données délibérément ignorées : les cellules qui ne sont jamais ouvertes durant toute la manche, signifiant de façon incontestable que ces valeurs n’ont joué aucun rôle direct dans la fonction de choix de l’agent.
• Les opérations d’inférence logique : révélées par les transitions visuelles successives reliant systématiquement deux cellules pertinentes pour un calcul déterminé (par exemple, la comparaison alternative des gains adverses pour détecter une stratégie dominée).

Chaque modèle théorique de prise de décision — qu’il s’agisse de la théorie de l’équilibre, d’une règle de prudence, ou d’une heuristique de type Level-k — requiert un ensemble spécifique d’informations pour être fonctionnellement calculable. Par exemple, calculer une meilleure réponse de niveau 1 exige de connaître tous ses propres gains potentiels, mais ne nécessite aucunement de connaître les gains de l’adversaire, puisque ce dernier est présumé jouer au hasard avec une distribution équiprobable. En revanche, identifier une stratégie dominée chez l’adversaire rend impérative l’inspection minutieuse des gains de ce dernier. MouseLab crée ainsi une métrique objective permettant de vérifier si le pattern informationnel collecté par le sujet est conforme aux exigences computationnelles minimales du modèle théorique auquel son choix final semble appartenir.

4. La typologie des modèles de raisonnement stratégique examinés

4.1 Le niveau zéro (L0) et le comportement non stratégique de référence

Dans la taxonomie formalisée par Costa-Gomes, Crawford et Broseta, le comportement de niveau zéro, conventionnellement désigné par le symbole L0, occupe une position épistémologique singulière. Le joueur L0 ne représente pas une structure de décision rationnelle ou empiriquement autonome, mais constitue le socle probabiliste élémentaire à partir duquel s’édifient les degrés supérieurs de sophistication stratégique. Par définition axiomatique, un agent L0 est totalement non stratégique : face à un ensemble discret d’actions possibles, il distribue ses choix de manière rigoureusement aléatoire et uniforme, sans formuler la moindre conjecture sur la structure du jeu ou sur le comportement de son homologue.

Sur le plan théorique, l’utilité du type L0 est double. D’une part, il sert d’ancrage fondamental pour le modèle récursif Level-k : sans une définition claire du comportement primitif de niveau zéro, le calcul de la meilleure réponse d’un agent de niveau 1 serait indéterminé. D’autre part, dans l’analyse empirique des données de laboratoire, L0 offre un point de référence contrefactuel nul, permettant de quantifier par contraste statistique l’existence d’une intentionnalité calculatoire chez les sujets humains réels. Si une population d’agents se comportait conformément aux prédictions de L0, on observerait une dispersion statistique plate des décisions finales à travers toutes les options disponibles.

Sur le plan de la recherche d’information, les exigences théoriques associées à un modèle L0 pur sont par nature inexistantes. Un joueur choisissant purement et simplement au hasard n’a besoin de consulter aucune des boîtes de gains de la matrice pour arrêter son choix. Dans l’environnement MouseLab, une exécution rigoureuse de L0 se traduirait idéalement par une absence totale d’ouvertures de cellules ou par des consultations purement exploratoires, désordonnées et d’une durée infinitésimale, dénuées de toute corrélation fonctionnelle avec la matrice des paiements. Ce néant computationnel marque la frontière entre le comportement stochastique brut et l’émergence de la cognition intentionnelle.

4.2 Les types Level-1 (L1) et Level-2 (L2)

Le type Level-1 (L1) incarne le premier degré de rationalité stratégique active. Un joueur L1 formule une conjecture explicite sur son environnement stratégique, mais cette conjecture demeure naïve : il fait l’hypothèse cognitive que son adversaire est un agent non stratégique de type L0, dont les actions sont régies par une distribution probabiliste équiprobable. Dès lors, le problème d’optimisation d’un joueur L1 devient un problème de décision individuelle en univers risqué. Il calcule l’espérance arithmétique simple des gains associés à chacune de ses propres stratégies (en faisant la somme de ses gains sur chaque ligne divisée par le nombre de colonnes adverses) et sélectionne la stratégie qui maximise cette moyenne non pondérée.

Le type Level-2 (L2) introduit une complexité mentale considérablement plus élevée, marquant l’entrée dans une théorie de l’esprit (Theory of Mind) structurée. L’agent L2 ne présuppose pas un adversaire aléatoire ; il anticipe que son partenaire réfléchit, mais attribue à ce dernier une profondeur cognitive exactement égale à un niveau de raisonnement (L1). Par conséquent, l’algorithme interne de L2 se décompose en deux phases séquentielles strictes :

1. Il calcule d’abord la meilleure réponse de son adversaire sous l’hypothèse que cet adversaire maximise ses gains face à un joueur aléatoire.
2. Ayant ainsi identifié avec certitude la stratégie unique que son partenaire L1 devrait choisir, le joueur L2 détermine ensuite et applique sa propre meilleure réponse face à cette action anticipée.

Cette asymétrie computationnelle entre L1 et L2 se reflète de manière frappante dans les besoins d’information associés à chaque profil au sein de MouseLab :

• Pour exécuter son algorithme, un joueur L1 n’a besoin d’inspecter que ses propres gains ; l’ouverture des boîtes contenant les gains de l’adversaire est strictement superflue pour son optimisation.
• À l’opposé, un joueur L2 est contraint par la logique de son calcul d’examiner exhaustivement les gains de l’adversaire afin d’identifier la stratégie L1 de ce dernier, avant d’inspecter ses propres gains pour calibrer sa meilleure réponse finale.

4.3 Les règles de dominance (D1 et D2)

Parallèlement à la hiérarchie Level-k, Costa-Gomes, Crawford et Broseta soumettent à l’épreuve des faits les modèles fondés sur les règles de dominance rationnelle, concepts piliers de la théorie des jeux conventionnelle. Le premier de ces modèles est le type Dominance 1 (D1). Un joueur de type D1 fonde son raisonnement sur le principe fondamental de non-soumission à une stratégie dominée : il identifie et élimine de son espace décisionnel toute stratégie qui rapporte, face à n’importe quel coup adverse, un gain strictement inférieur à une autre alternative. Simultanément, il postule que son partenaire fait de même. Le type D1 correspond donc à l’exécution rigoureuse d’un unique tour d’élimination des stratégies strictement dominées.

Le type Dominance 2 (D2) pousse l’abstraction logique un cran plus loin en réalisant deux étapes consécutives d’élimination itérée. Le joueur D2 élimine d’abord les stratégies dominées de premier rang pour lui-même et pour son adversaire, puis examine si, dans le sous-jeu réduit issu de cette première purge, de nouvelles stratégies deviennent dominées à leur tour. Cette procédure itérative déductive correspond au cheminement analytique standard enseigné dans les manuels de microéconomie pour démontrer la résolubilité d’un jeu par rationalisabilité stricte.

La comparaison théorique entre la logique de dominance (D1/D2) et le raisonnement Level-k (L1/L2) met en relief une divergence conceptuelle profonde. Le raisonnement Level-k est ancré dans la maximisation d’une espérance de gain calculée à partir d’une distribution de probabilités ponctuelle attribuée à l’adversaire (qu’elle soit uniforme pour L1 ou déterministe pour L2). La logique de dominance, au contraire, est une démarche négative et ensembliste : elle ne nécessite aucune pondération de probabilités sur les actions adverses, mais repose sur des comparaisons d’inégalités strictes état par état. Ces deux logiques formelles dictent des parcours de recherche visuelle radicalement distincts dans les matrices de données numériques.

4.4 Les types d’équilibre, optimiste et pessimiste

La typologie des auteurs intègre enfin trois profils décisionnels complémentaires afin de couvrir l’éventail complet des conjectures stratégiques plausibles. Le premier est le type Équilibre (ou type Nash). Un agent appartenant à ce profil recherche directement le profil de stratégies formant un équilibre de Nash stable. Dans les jeux conçus par les auteurs, les équilibres sont identifiables par la convergence des meilleures réponses croisées. Pour un individu Nash, la rationalité des deux joueurs est considérée comme parfaite, synchronisée et mutuellement transparente. Ce type incarne l’orthodoxie économique pure : il inspecte l’intégralité de la matrice, calculant simultanément les meilleures réponses de part et d’autre pour localiser la cellule d’équilibre stationnaire.

À l’autre extrémité du spectre, les auteurs examinent deux heuristiques psychologiques classiques affranchies de toute modélisation de l’adversaire :

• Le type Optimiste (MaxiMax) : Ce joueur est guidé par une quête effrénée du gain maximal absolu. Il balaie la matrice à la recherche de la valeur numérique la plus élevée qui lui soit accessible, et sélectionne aveuglément la ligne qui contient ce gain maximal, en postulant implicitement que la contingence extérieure sera systématiquement bienveillante à son égard. L’adversaire n’est nullement considéré comme un agent autonome doté de motivations propres, mais comme un distributeur passif du gain idéal.
• Le type Pessimiste (MaxiMin) : Fondé sur la célèbre règle de décision de Wald, ce joueur adopte une posture de prudence absolue. Pour chaque ligne de sa matrice de gains, il identifie le paiement le plus bas possible (le pire des cas), puis il choisit la stratégie dont le pire résultat est le moins défavorable (maximisation des gains minimaux). Ce joueur appréhende le jeu non pas comme une interaction sociale avec un homologue poursuivant son propre intérêt, mais comme un affrontement contre une nature malveillante qui chercherait à lui infliger la punition maximale.

5. Cadre méthodologique : L’inférence économétrique conjointe

5.1 La séparation analytique des décisions et des consultations

L’une des contributions méthodologiques les plus sophistiquées de l’article de 2001 réside dans la formulation d’un cadre économétrique permettant d’inférer les types cognitifs des participants sans tomber dans le piège du raisonnement circulaire. Dans la plupart des études psychologiques qualitatives, les chercheurs déduisent le modèle d’un sujet à partir de ses choix, puis interprètent ses mouvements oculaires comme une confirmation subjective de ce même modèle. Costa-Gomes, Crawford et Broseta brisent ce biais de confirmation en élaborant une séparation analytique stricte entre la distribution probabiliste des choix d’actions et la distribution stochastique des séquences d’inspection d’information issues de MouseLab.

Les auteurs formalisent d’abord un modèle d’utilité aléatoire appliqué aux choix discrets. Chaque participant $i$ est supposé appartenir de façon stable à un type cognitif latent $k in {L1, L2, D1, D2, \text{Nash}, \text{Optimiste}, \text{Pessimiste}}$. Si un joueur appartient au type $k$, la stratégie prédite par ce type dans le jeu $g$ est choisie avec une probabilité dominante, mais le sujet demeure exposé à des erreurs d’exécution ou à des perturbations stochastiques aléatoires. Indépendamment de cette modélisation du choix, les auteurs construisent un modèle distinct régissant les séquences de recherche d’information : chaque type $k$ se voit associer un ensemble formel de consultations nécessaires (les boîtes minimales que l’algorithme du type oblige à ouvrir pour être calculable).

Cette distinction permet d’estimer les probabilités d’appartenance aux différents types en utilisant trois sources de données distinctes et indépendantes :

• Une estimation fondée exclusivement sur les choix finaux des sujets (l’approche comportementale pure).
• Une estimation fondée exclusivement sur les patrons de recherche d’information (l’approche cognitive pure).
• Une estimation conjointe intégrant simultanément les deux sources d’évidence dans une même structure de vraisemblance statistique.

La confrontation de ces analyses univariées et bivariées permet d’évaluer avec une précision mathématique inédite la cohérence interne du comportement des participants.

5.2 La spécification probabiliste des types et des erreurs

Pour construire une fonction d’inférence probabiliste réaliste, les chercheurs doivent formaliser mathématiquement le « bruit » inhérent à toute action humaine en laboratoire. Il serait totalement irréaliste de supposer qu’un sujet de type L1 applique infailliblement la meilleure réponse L1 dans 100 % des jeux sans jamais commettre de faute d’inattention ou de calcul arithmétique. Le cadre économétrique introduit donc un paramètre d’erreur probabiliste global, noté $varepsilon in [0, 1]$. Dans chaque jeu $g$, un joueur du type $k$ prend la décision d’appliquer fidèlement la stratégie dictée par son type avec une probabilité $(1 – varepsilon)$. Avec une probabilité résiduelle $varepsilon$, le joueur commet une erreur et choisit une action quelconque tirée au hasard selon une distribution uniforme sur l’ensemble des stratégies possibles du jeu.

De manière symétrique, le traitement des traces informationnelles nécessite une modélisation probabiliste rigoureuse des déviations d’attention. Lorsqu’un sujet inspecte une matrice de gains, toutes ses fixations de curseur ne correspondent pas nécessairement à des calculs stratégiques formels. Des ouvertures accidentelles de boîtes, des mouvements parasites de repositionnement de la souris ou des vérifications visuelles purement périphériques génèrent un bruit stochastique résiduel. Les auteurs définissent un modèle dans lequel la probabilité qu’un sujet consulte les cellules d’information strictement requises par son algorithme mental théorique est modélisée conjointement avec la probabilité de survenue de consultations fortuites non informatives.

Grâce à cette spécification probabiliste, l’attribution d’un profil décisionnel à un individu ne procède plus d’un étiquetage binaire ou déterministe rigide. Chaque participant se voit assigner, via la mise à jour bayésienne des données observées, un vecteur de probabilités postérieures indiquant sa vraisemblance d’appartenir à chacun des types théoriques candidats. Cette approche permet de gérer avec nuance les sujets hybrides ou bruités tout en fournissant des intervalles de confiance statistiques rigoureux pour chaque classification individuelle.

5.3 L’estimation par le maximum de vraisemblance conjointe

Le point culminant de cette architecture économétrique est la dérivation d’une fonction de maximum de vraisemblance conjointe. Soit $x_i$ le vecteur décrivant les décisions d’action prises par le participant $i$ sur l’ensemble des seize jeux de l’expérience, et soit $m_i$ la matrice résumant l’intégralité de ses séquences de consultation visuelle capturées par MouseLab (durées, identifiants des boîtes ouvertes, transitions directionnelles). La densité conjointe de probabilité d’observer la paire de données empiriques $(x_i, m_i)$ pour un sujet $i$, sous la condition qu’il appartienne au type cognitif $k$, s’écrit formellement comme le produit de la vraisemblance de ses choix et de la vraisemblance de ses patrons d’inspection :

$$P(x_i, m_i mid k) = P(x_i mid k, \varepsilon_k) \times P(m_i mid k, \theta_k)$$

où $\varepsilon_k$ représente le taux d’erreur sur les choix associé au type $k$, et $\theta_k$ le vecteur des paramètres régissant la conformité stochastique des séquences d’inspection oculaire aux réquisits de ce même type. En sommant ces densités pondérées par la proportion préalable $p_k$ de chaque type dans la population globale des joueurs, les auteurs obtiennent la log-vraisemblance totale de l’échantillon expérimental :

$$\ln L = \sum_{i=1}^{N} \ln \left( \sum_{k} p_k P(x_i mid k, \varepsilon_k) P(m_i mid k, \theta_k) \right)$$

L’estimation numérique de cette fonction par des algorithmes d’optimisation non linéaire permet de résoudre simultanément deux énigmes fondamentales : identifier la distribution empirique non conditionnelle des types cognitifs dans la population générale, et classer individuellement chaque joueur dans la catégorie algorithmique dont la trajectoire conjointe choix-inspection maximise la vraisemblance mathématique.

Les tests de robustesse conduits par Costa-Gomes, Crawford et Broseta démontrent de façon éclatante la supériorité statistique de cette estimation conjointe sur les méthodes d’estimation univariées conventionnelles. La prise en compte conjointe des données d’information filtre le bruit comportemental et affine considérablement la puissance d’identification des paramètres de type.

6. Résultats empiriques : Analyse approfondie des décisions observées

6.1 Distribution des choix et rejet du modèle de Nash comme prédicteur comportemental

Le premier enseignement macroscopique livré par l’expérience de 2001 réside dans l’effondrement empirique sans appel de la théorie classique de l’équilibre de Nash en tant que prédicteur comportemental dans les jeux à un coup. Confrontés aux matrices soigneusement isolées de tout effet d’apprentissage, les choix effectifs des participants ne convergent que de façon très marginale vers les équilibres déterministes formellement prédits par le modèle néoclassique. Dans la majorité des jeux où les équilibres de Nash requièrent une coordination fine des croyances ou l’élimination récursive de stratégies dominées d’ordre élevé, la fréquence des actions d’équilibre s’avère statistiquement indiscernable d’un tirage purement aléatoire, voire significativement inférieure à ce seuil nul.

Ces données de laboratoire confirment sans équivoque la défaillance de l’hypothèse de rationalité commune dans les interactions inaugurales. Les sujets humains ne présument manifestement pas que leurs partenaires inconnus sont des automates rationnels universels. Dès lors, choisir la stratégie théorique d’équilibre de Nash — qui n’est une réponse optimale que sous la condition absolue que l’autre joueur choisisse lui aussi précisément son action d’équilibre — constitue une prise de risque déraisonnable que les participants évitent intuitivement. Face à l’incertitude fondamentale sur la psychologie cognitive d’autrui, les décideurs réels s’émancipent des équilibres purs.

À la place de la stricte rationalité substantive, les résultats expérimentaux révèlent une prédominance écrasante de décisions guidées par une sophistication cognitive modérée. Les participants ne jouent pas n’importe comment : leurs actions ne sont pas chaotiques et manifestent une grande cohérence interne. Mais cette cohérence se déploie dans un cadre computationnel borné, structuré par des profondeurs de réflexion courtes qui tranchent avec l’infinité récursive postulée par l’équilibre de Nash classique.

6.2 Prévalence massive des comportements de type Level-1 et Level-2

L’analyse économétrique des décisions observées met au jour une concentration spectaculaire de la population autour des profils de raisonnement étagé Level-k. Une majorité écrasante des sujets examinés par Costa-Gomes, Crawford et Broseta est classée de manière hautement significative dans les catégories de type Level-1 et Level-2. Le type L1 émerge systématiquement comme le profil le plus dense au sein de l’échantillon expérimental, regroupant fréquemment entre 40 % et 50 % des individus selon les spécifications économétriques retenues. Les sujets L1 abordent le jeu en calculant rigoureusement leur espérance de gain face à une distribution d’actions adverses uniforme, appliquant une optimisation non stratégique pure mais arithmétiquement exacte.

Le type L2 représente la seconde composante majeure de la population, capturant une part substantielle des sujets restants (souvent comprise entre 25 % et 35 %). Ces individus démontrent une sophistication cognitive indéniable : ils intègrent le fait que leur vis-à-vis n’agit pas au hasard, mais anticipe que ce vis-à-vis répondra lui-même à une heuristique naïve de type L1. L’élégance prédictive de ce résultat est renforcée par un constat frappant : le modèle Level-k surpasse de très loin les modèles rivaux fondés sur les règles de dominance formelles (D1 et D2). Alors que les théoriciens de l’économie ont traditionnellement privilégié l’élimination itérée des stratégies dominées comme critère naturel de rationalisabilité, les sujets humains privilégient presque universellement l’optimisation probabiliste contre des croyances ancrées.

Ces observations empiriques corroborent avec force l’existence d’une « frontière cognitive » humaine quasi-universelle : la profondeur de réflexion déductive dans les interactions stratégiques sans apprentissage se limite presque toujours à un ou deux pas mentaux. Très peu d’individus déploient spontanément un raisonnement de niveau L3 ou supérieur. L’esprit humain semble concevoir son partenaire social soit comme un agent naïf réagissant aux gains immédiats (L1), soit comme un calculateur d’un seul degré d’anticipation (L2), mais cesse d’investir des ressources d’attention au-delà de cette seconde strate computationnelle.

6.3 Performance marginale des types optimistes et pessimistes

Parallèlement au succès éclatant des modèles hiérarchiques Level-k, les données expérimentales enregistrent l’échec empirique cuisant des heuristiques de décision purement individuelles et non interactives que sont les types Optimiste (MaxiMax) et Pessimiste (MaxiMin). Les estimations de vraisemblance maximale attribuent une part de marché marginale, souvent statistiquement non discernable de zéro, à ces profils d’extrême naïveté psychologique. Très peu de participants sélectionnent de manière répétée la ligne offrant le gain absolu le plus élevé sans se soucier des intentions de l’autre, et presque aucun ne se replie de façon systématique sur la minimisation systématique du risque maximal.

Ce résultat infirme empiriquement les théories radicales de l’ignorance stratégique. Les sujets humains ne se comportent pas comme des joueurs autistes ou égocentrés qui réduiraient un jeu interactif sous forme normale à une simple loterie individuelle ou à une décision face à une nature aveugle. Ils comprennent parfaitement que l’issue de leur gain est conditionnée par l’intervention d’un second agent intentionnel, doué d’intérêts propres. La faiblesse explicative des types MaxiMax et MaxiMin démontre que la rationalité limitée des agents ne procède pas d’une insensibilité à la dimension stratégique de la situation, mais plutôt d’une simplification computationnelle des capacités cognitives de leur partenaire.

En démontrant que les sujets intègrent la présence de l’adversaire tout en rejetant simultanément les concepts d’équilibre néoclassiques sophistiqués, l’étude de Costa-Gomes, Crawford et Broseta trace la frontière exacte du fonctionnement psychologique des agents : une modélisation stratégique active, mais délibérément simplifiée et bornée par les contraintes cognitives de l’esprit humain.

7. Analyse des patrons d’inspection visuelle et des processus d’information

7.1 Identification des séquences de consultation théoriques attendues

La puissance novatrice du protocole de 2001 prend toute sa dimension méthodologique dans l’analyse algorithmique des données de recherche d’information recueillies par MouseLab. Pour chaque modèle de décision théorique candidat, Costa-Gomes, Crawford et Broseta définissent ex ante un ensemble strict de cellules d’information obligatoires, c’est-à-dire les cases de la matrice sans lesquelles l’exécution formelle de l’algorithme sous-jacent est mathématiquement impossible. Ces ensembles de conditions minimales permettent de formuler des prédictions structurelles précises non seulement sur les boîtes qui doivent être ouvertes, mais également sur la typologie des transitions visuelles attendues.

Les auteurs établissent une distinction théorique fondamentale entre deux architectures d’inspection oculaire :

• Les consultations intra-personnelles : Séquences où le joueur déplace le curseur de la souris consécutivement entre des boîtes décrivant ses propres gains au sein d’une même ligne ou entre ses différentes stratégies alternatives. Ce patron traduit des calculs d’agrégation d’espérances ou de comparaisons de ses propres rendements.
• Les consultations inter-personnelles : Séquences où le curseur bascule directement d’une cellule de gain personnel à la cellule de gain correspondante de l’adversaire pour une même combinaison stratégique, ou compare consécutivement les différents gains de l’adversaire entre eux. Ces mouvements sont la signature matérielle indiscutable d’une réflexion stratégique portant sur les incitations d’autrui ou sur la recherche d’une dominance chez le partenaire.

Pour chaque type théorique, des critères formels d’adéquation informationnelle sont ainsi édictés. Un joueur prétendant appartenir au type d’équilibre de Nash doit manifester une proportion substantielle de transitions inter-personnelles croisées pour vérifier la mutualité des meilleures réponses. Un joueur L1, à l’inverse, doit théoriquement concentrer ses ouvertures sur ses propres gains, avec une prédominance de transitions intra-personnelles axées sur le calcul de la moyenne de chaque ligne.

7.2 Concordance entre recherches visuelles et choix effectifs

La confrontation des trajectoires de recherche visuelle avec les décisions finales enregistrées offre une validation empirique saisissante des modèles cognitifs. L’analyse économétrique révèle une corrélation hautement significative et systématique entre les patrons de recherche d’information et les types déduits des choix. Chez les sujets identifiés par leurs actions comme relevant du type Level-1, le comportement dans MouseLab s’avère remarquablement conforme aux réquisits théoriques : ces individus consacrent l’écrasante majorité de leur temps d’attention et de leurs ouvertures de boîtes à leurs propres gains, négligeant de façon patente les gains attribués à leur adversaire.

Le contraste avec les participants classés comme Level-2 est éclatant. Les sujets L2 manifestent un patron de consultation visuelle parfaitement bifurqué et séquentiel :

1. Dans un premier temps, ils concentrent leurs ouvertures de curseur de manière intensive et méthodique sur les cases des gains de l’adversaire, effectuant les comparaisons nécessaires pour identifier l’action optimale de ce dernier sous conjecture L1.
2. Dans un second temps, une fois cette conjecture fixée, leur attention visuelle migre massivement vers leurs propres boîtes de gains pour calculer leur meilleure réponse finale.

Cette concordance empirique prouve que les patrons d’inspection ne constituent pas un épiphénomène décoratif ou bruité, mais reflètent avec une fidélité clinique les calculs arithmétiques et logiques réellement opérés par la mémoire de travail des participants.

L’intégration de ces traces attentionnelles au sein du modèle économétrique résout de nombreuses ambiguïtés d’identification. Lorsque deux modèles concurrents prédisent accidentellement la même action dans un jeu donné, l’examen de l’ordre d’ouverture et de la durée relative d’exposition des cellules de gains permet de trancher avec une certitude statistique irréfutable en faveur du modèle dont l’empreinte attentionnelle est observée sur l’écran. Les données de processus décuplent ainsi la précision et la robustesse de la classification comportementale.

7.3 Les anomalies d’inspection et la surcharge informationnelle

En dépit de cette impressionnante régularité macroscopique, l’analyse fine des micro-données de MouseLab met également en lumière des anomalies comportementales et des limitations attentionnelles chez certains participants. Les auteurs identifient la présence fréquente de consultations redondantes — c’est-à-dire des réouvertures répétées des mêmes boîtes de gains à quelques secondes d’intervalle. Ce phénomène ne traduit pas une faille des modèles stratégiques eux-mêmes, mais trahit l’étroitesse structurelle de la mémoire de travail humaine : incapables de maintenir simultanément quatre, six ou huit valeurs numériques actives dans leur esprit tout en exécutant des calculs comparatifs, les sujets sont contraints de rafraîchir en permanence leur empreinte visuelle par des allers-retours oculaires constants.

Par ailleurs, l’étude observe un impact direct de la complexité matricielle sur la fidélité des patrons de recherche cognitive. Lorsque les matrices de gains augmentent en dimensionnalité (passant par exemple de formats $2 \times 2$ à des formats $3 \times 2$ ou $3 \times 3$), un phénomène de saturation attentionnelle ou de surcharge cognitive (cognitive overload) apparaît chez une fraction des participants. Face au foisonnement de valeurs numériques masquées, certains sujets initialement classés L2 abandonnent leur algorithme récursif complexe au profit d’heuristiques de décision simplifiées et moins exigeantes sur le plan attentionnel, régressant vers des comportements L1 ou adoptant des règles de sélection locales imparfaites.

Ces anomalies soulignent que la rationalité procédurale est une ressource coûteuse. Le coût mental associé au déplacement physique du curseur, à la mémorisation des gains dissimulés et au traitement logique des inégalités arithmétiques opère comme un frottement cognitif réel. Loin d’invalider le paradigme de l’inférence structurelle, la mise en évidence de ces stratégies d’adaptation et de simplification face au coût d’acquisition de l’information confère aux travaux de Costa-Gomes, Crawford et Broseta un réalisme psychologique d’une profondeur inédite en théorie des jeux.

8. Classification des joueurs et stabilité des profils cognitifs

8.1 Caractérisation individuelle et hétérogénéité stable de la population

L’un des apports majeurs de l’étude de 2001 réside dans la démonstration mathématique que la population des décideurs humains n’est ni homogène ni réductible à un agent représentatif unique. L’hétérogénéité des comportements en laboratoire n’est pas le fruit d’un bruit stochastique désordonné autour d’un équilibre central, mais la résultante de la coexistence de plusieurs segments stables de profils cognitifs au sein du corps social. En estimant les probabilités postérieures d’appartenance individuelle pour chacun des participants, Costa-Gomes, Crawford et Broseta parviennent à dresser une typologie rigoureuse de la population étudiée.

La stabilité intra-individuelle de ces profils à travers la série des seize jeux expérimentaux constitue un résultat empirique d’une portée fondamentale. Bien que les matrices changent de dimension, d’ordre de grandeur des gains et de structure d’incitation à chaque manche, un sujet identifié comme appartenant au type Level-1 lors des premières épreuves conserve une probabilité prépondérante d’appliquer l’algorithme L1 tout au long des jeux subséquents. De même, un joueur catégorisé comme Level-2 maintient son schéma récursif d’anticipation avec une régularité impressionnante. Cette stabilité longitudinale prouve que le type cognitif ne représente pas une tactique opportuniste instable, mais constitue une véritable signature cognitive individuelle, une disposition procédurale pérenne qui caractérise le mode opératoire de l’esprit du sujet confronté à un problème d’interaction stratégique inaugurale.

La distribution relative globale des types au sein de la population se cristallise autour d’une architecture désormais classique :

• Une prédominance massive des agents de type Level-1, formant le socle le plus large de la population (environ la moitié des sujets).
• Un contingent substantiel et très distinct d’agents de type Level-2 (environ un tiers de l’échantillon).
• Une présence résiduelle, presque anecdotique, de types appliquant strictement les équilibres de Nash ou les règles de dominance complexes (D1/D2).

Cette radiographie empirique enterre définitivement la fiction d’une humanité unifiée sous la bannière d’une rationalité substantive partagée.

8.2 Le problème de l’indiscernabilité observationnelle et sa résolution

Sur le plan de l’épistémologie de l’économie expérimentale, l’article de Crawford et ses coauteurs résout avec brio le casse-tête de l’indiscernabilité observationnelle (observational equivalence). Dans toute expérience économique fondée exclusivement sur le relevé des choix terminaux, le chercheur est confronté à un écueil analytique récurrent : dans de multiples matrices stratégiques, plusieurs théories comportementales concurrentes prédisent par coïncidence mathématique rigoureusement la même décision d’action. Par exemple, dans un jeu spécifique, l’action dominante peut être simultanément la réponse L1, la réponse L2 et la stratégie d’équilibre de Nash. Si l’on se borne à observer le clic terminal du joueur, il est formellement impossible de savoir quel algorithme mental a guidé son arbitrage.

C’est ici que l’approche multivariée intégrant le traçage visuel de MouseLab démontre sa supériorité méthodologique absolue. Même lorsque les prédictions d’action de deux modèles coïncident parfaitement, leurs prédictions sur les processus de recherche d’information demeurent orthogonalement divergentes :

• Un individu qui choisit l’action commune sous l’empire d’une logique L1 n’aura inspecté que ses propres boîtes de gains, passant sous silence les gains adverses.
• Un individu qui sélectionne la même action en vertu d’un raisonnement L2 aura préalablement exploré de façon méthodique les gains de son partenaire.
• Un sujet agissant par sélection directe d’un équilibre de Nash aura balayé les cellules croisées des deux acteurs pour en vérifier la stabilité mutuelle.

En injectant ces données de processus dans la fonction de vraisemblance conjointe, l’ambiguïté observationnelle s’évanouit. Les traces physiques de l’attention visuelle agissent comme des révélateurs chimiques permettant de séparer avec certitude des hypothèses concurrentes là où l’analyse économique standard des choix révélés était condamnée à l’impuissance interprétative.

8.3 Sensibilité aux incitations financières et engagement attentionnel

Une objection récurrente formulée par les économistes orthodoxes à l’encontre des résultats de l’économie comportementale concerne l’amplitude des incitations monétaires : les sujets en laboratoire s’écarteraient de la rationalité parfaite non par incapacité cognitive, mais par manque de motivation financière, les gains en jeu étant jugés insuffisants pour justifier un effort intellectuel soutenu. Costa-Gomes, Crawford et Broseta ont anticipé et testé méthodiquement cette hypothèse en introduisant des variations significatives dans la structure de rétribution monétaire de leurs cohortes expérimentales.

Les résultats empiriques balayent l’argument du simple « défaut d’effort ». Si l’élévation des gains financiers monétaires induit un impact mesurable sur l’engagement attentionnel des sujets — matérialisé par une augmentation statistiquement significative du temps total passé sur chaque matrice et par une inspection plus scrupuleuse des boîtes d’information —, elle n’entraîne en aucun cas une mutation qualitative des types cognitifs vers la rationalité de Nash. Les joueurs rémunérés avec des enjeux élevés passent plus de temps à calculer et vérifient leurs opérations avec plus de minutie, mais ils continuent d’exécuter des algorithmes de type L1 ou L2.

Cette constance démontre que la rationalité limitée ne relève pas d’une paresse décisionnelle contingente ou d’un calcul coût-bénéfice superficiel qui s’évaporerait devant des enjeux substantiels, mais découle de véritables frontières structurales dans l’architecture neurocognitive du traitement de l’information humaine. Augmenter les incitations financières renforce la précision de l’algorithme interne du joueur, mais ne modifie pas la nature intrinsèque de cet algorithme ni sa profondeur récursive de raisonnement.

9. Implications théoriques pour la modélisation du comportement stratégique

9.1 Remise en question de la perfection en sous-jeux et de l’élimination itérée

Les conclusions apportées par Costa-Gomes, Crawford et Broseta portent un coup fatal à l’édifice des raffinements d’équilibre fondés sur la déduction récursive infinie, tels que la perfection en sous-jeux ou l’élimination itérée des stratégies strictement dominées (IESDS). Dans la littérature théorique orthodoxe, l’élimination itérée des stratégies dominées est traditionnellement présentée comme l’exigence minimale de la rationalité collective : un joueur rationnel ne devant jamais jouer une stratégie dominée, il devrait éliminer les stratégies dominées de son adversaire, puis réitérer ce processus autant de fois que nécessaire jusqu’à épuisement de la matrice.

L’expérimentation de 2001 démontre que, si l’élimination d’une stratégie strictement dominée d’ordre 1 (la détection d’une alternative personnellement inférieure pour soi-même) est largement respectée par les participants, l’élimination itérée au-delà d’une étape s’effondre lamentablement sur le plan comportemental. Les sujets humains ne réalisent presque jamais spontanément deux, trois ou quatre tours d’élimination itérative. Les concepts d’équilibre raffinés qui reposent sur des chaînes déductives de rang supérieur s’avèrent totalement inopérants pour décrire ou prédire le comportement effectif des agents dans les interactions inaugurales.

Cette invalidation empirique a imposé une réorientation majeure de la recherche théorique. Plutôt que de poursuivre la construction de raffinements d’équilibre de plus en plus abstraits et axiomatiquement hyper-exigeants, la théorie des jeux contemporaine a été contrainte de concevoir des modèles dynamiques d’ajustement cognitif et des structures de rationalité procédurale capables de capturer fidèlement la finitude des paliers de raisonnement observés dans le monde réel.

9.2 Formalisation enrichie des modèles d’équilibre de réponse quantale (QRE)

La mise en évidence de la prévalence des types Level-k a suscité un débat scientifique fécond avec une autre grande approche concurrente de la rationalité limitée en théorie des jeux : les modèles d’équilibre de réponse quantale (Quantal Response Equilibrium ou QRE), formalisés de manière magistrale par Richard McKelvey et Thomas Palfrey en 1995. Le modèle QRE intègre la rationalité limitée sous la forme d’un bruit décisionnel stochastique : les joueurs ne choisissent pas toujours la meilleure réponse absolue avec une certitude absolue, mais choisissent les stratégies offrant des gains espérés plus élevés avec une probabilité plus grande (généralement modélisée par une fonction logit), tout en restant en équilibre mutuel parfait par rapport à ces distributions probabilistes d’erreurs.

Les travaux de Costa-Gomes, Crawford et Broseta permettent de comparer et d’enrichir mutuellement ces deux visions théoriques :

• Le modèle QRE capture avec une grande élégance la dispersion stochastique continue et la présence d’erreurs d’exécution dans le comportement des agents, mais il conserve le postulat classique et lourd d’anticipations mutuellement cohérentes : chaque joueur est supposé connaître parfaitement la distribution précise des erreurs commises par l’ensemble des autres joueurs.
• Le modèle Level-k, en revanche, brise radicalement cette circularité de croyances en postulant des asymétries cognitives structurelles unidirectionnelles, mais formulait initialement ses prédictions de manière déterministe.

La synthèse méthodologique opérée par les auteurs dans leur cadre économétrique conjoint réconcilie le meilleur des deux paradigmes : elle intègre la structure étagée asymétrique du raisonnement Level-k au sein d’une formalisation probabiliste incorporant explicitement les erreurs d’exécution quantales. Cette hybridation structurelle offre aujourd’hui le cadre descriptif le plus puissant et le plus robuste pour analyser les interactions hors équilibre dans l’ensemble des sciences sociales expérimentales.

9.3 Vers une théorie réaliste des anticipations stratégiques

En confirmant la robustesse du modèle Level-k, l’étude de 2001 pose la première pierre d’une théorie réaliste et empiriquement fondée des anticipations stratégiques humaines. Le postulat fondamental qui émerge de leurs observations peut se résumer par un principe psychologique invariant : les agents stratégiques supposent presque universellement que leurs adversaires sont moins sophistiqués qu’eux-mêmes. Un joueur L1 traite son partenaire comme un générateur d’aléatoire pur (L0) ; un joueur L2 traite son partenaire comme un calculateur naïf d’un seul coup (L1). Personne, ou presque, ne modélise son vis-à-vis comme un pair disposant d’un niveau de réflexion identique ou supérieur au sien.

Cette asymétrie égocentrée des représentations mentales a des implications économiques colossales pour l’analyse des marchés et des institutions :

• Sur les marchés financiers : Elle permet de modéliser avec rigueur la formation des bulles spéculatives, les investisseurs croyant souvent pouvoir revendre leurs actifs surévalués à des intervenants qu’ils estiment moins informés ou moins prévoyants qu’eux-mêmes.
• Dans les négociations et le marchandage : Elle éclaire la survenue de blocages inattendus ou de retards coûteux, les deux parties formulant des anticipations décalées et incompatibles sur la volonté de concession de l’autre.
• Dans la fixation des prix et la concurrence asymétrique : Elle explique pourquoi certaines firmes innovantes sous-estiment la capacité d’adaptation de leurs rivales, conduisant à des dynamiques d’entrée de marché erratiques.

En fournissant une assise empirique solide à la modélisation formelle de ces croyances asymétriques, Costa-Gomes, Crawford et Broseta ont jeté les bases d’une microéconomie comportementale structurelle, débarrassée du mythe paralysant de l’homo œconomicus omniscient.

10. Apports épistémologiques et méthodologiques à la psychologie expérimentale

10.1 La traçabilité du processus mental : MouseLab versus Eye-Tracking

Sur le plan de l’épistémologie des instruments d’observation, les travaux de Costa-Gomes, Crawford et Broseta constituent le jalon fondateur de l’analyse traçable des processus mentaux (process-tracing methods) en sciences économiques. Avant leur utilisation systématique de MouseLab, l’économie expérimentale s’interdisait structurellement d’intervenir dans la genèse interne de la décision, considérant la psychologie humaine comme un domaine inobservable réservé aux conjectures littéraires. L’utilisation du curseur physique comme filtre attentionnel obligatoire a apporté la preuve matérielle que les étapes de délibération cognitive pouvaient être quantifiées, horodatées et modélisées avec la même rigueur métrique que les volumes de production ou les prix de marché.

Avec les progrès vertigineux de la technologie biométrique au cours des décennies suivantes, le dispositif MouseLab a progressivement cédé le pas à l’oculométrie moderne (eye-tracking). Néanmoins, la comparaison des deux techniques révèle la pertinence épistémologique du protocole originel de Crawford et de ses coauteurs :

• L’oculométrie offre une résolution temporelle et spatiale continue sans précédent, enregistrant les mouvements saccadiques involontaires et la dilatation pupillaire sans exiger d’effort musculaire conscient de la part du sujet. Toutefois, elle souffre d’un bruit physiologique considérable : le regard d’un individu peut errer sur une information sans que son attention cérébrale active ne la traite (phénomène d’attention non fovéale).
• À l’inverse, le mécanisme d’ouverture active de MouseLab imposait un coût physique délibéré (déplacer la souris et maintenir le curseur sur la cellule). Cette contrainte ergonomique, bien qu’artificielle, garantissait que chaque dévoilement de boîte correspondait à une volonté explicite d’acquisition d’information, éliminant quasi totalement les fixations passives non intentionnelles.

Les paradigmes analytiques formalisés par Costa-Gomes et ses collègues pour structurer les matrices de transition visuelle demeurent les cadres théoriques fondamentaux utilisés aujourd’hui par les chercheurs en neuroéconomie travaillant avec des dispositifs d’eye-tracking de haute précision.

10.2 La rigueur de l’approche structurelle face aux protocoles purement descriptifs

L’expérimentation de 2001 a également instauré un saut qualitatif méthodologique par rapport aux approches qualitatives traditionnellement mobilisées par la psychologie expérimentale, telles que les protocoles de « pensée à voix haute » (think-aloud protocols) ou la verbalisation concurrente promue par Ericsson et Simon. Si les récits oraux rétrospectifs ou simultanés offrent des éclairages narratifs fascinants sur l’état d’esprit d’un sujet, ils souffrent de biais cognitifs majeurs : la rationalisation a posteriori, l’incapacité à verbaliser des opérations mentales automatiques et la perturbation directe du processus de réflexion causée par l’effort de parole continue.

Face à ces protocoles descriptifs fragiles, l’approche structurelle de Crawford et ses coauteurs se distingue par la formulation d’hypothèses computationnelles rigides et falsifiables ex ante. Les auteurs ne demandent pas aux joueurs d’expliquer comment ils pensent ; ils dérivent mathématiquement la séquence exacte de données requise par chaque modèle formel, puis mesurent objectivement la distance géométrique et statistique entre cette séquence théorique idéale et les traces physiques de clics et de durées enregistrées par la machine. Cette rigueur élimine tout biais d’interprétation subjective de la part de l’expérimentateur.

Cette standardisation des critères de falsification a profondément transformé les critères d’administration de la preuve dans l’étude de la psychologie de la décision. Elle a démontré qu’un modèle psychologique ne doit pas simplement « raconter une histoire plausible » sur les motivations humaines, mais doit être capable de spécifier avec précision les algorithmes d’acquisition des données élémentaires nécessaires à son fonctionnement, élevant ainsi la psychologie cognitive de l’interaction stratégique au statut de science empirique exacte.

10.3 Généralisation du protocole aux tâches de décision individuelle et sociale

Le rayonnement méthodologique du paradigme de Costa-Gomes, Crawford et Broseta a rapidement débordé le cadre exclusif des jeux sous forme normale pour innerver l’ensemble des branches de l’économie comportementale et de la psychologie sociale. Leur protocole d’inférence couplée décision-processus a été transposé avec succès à l’analyse des choix individuels sous risque et en univers incertain. En masquant les probabilités et les gains de différentes loteries dans des environnements interactifs, les chercheurs ont pu déterminer si les déviations par rapport à la théorie de l’utilité espérée de von Neumann-Morgenstern découlent d’une distorsion cognitive des probabilités (comme le postule la théorie des perspectives de Kahneman et Tversky) ou d’heuristiques de recherche d’information basées sur l’ordre de présentation des options.

De même, le traçage attentionnel est devenu une référence incontournable dans l’étude des arbitrages intertemporels et de l’actualisation hyperbolique, permettant d’observer comment les individus inspectent les échéances temporelles par rapport aux montants financiers immédiats. Plus récemment, les domaines de l’économie morale et des préférences sociales ont tiré un profit immense de ces méthodes :

• Dans les jeux du dictateur et de l’ultimatum, masquer les gains d’autrui permet de savoir si un partage équitable procède d’une véritable préférence intrinsèque pour la justice ou de la peur stratégique d’une sanction punitive.
• En psychologie sociale, l’analyse des patrons d’inspection a permis de cartographier la détection spontanée des heuristiques de jugement, des stéréotypes catégoriels et des biais de représentativité dans des tâches de négociation intergroupes complexes.

Le protocole de 2001 est ainsi devenu une matrice méthodologique universelle pour disséquer l’architecture procédurale du jugement humain dans toute sa diversité.

11. Postérité, réplications et développements ultérieurs des auteurs

11.1 Les prolongements par Costa-Gomes et Crawford (2006)

Conscients de la portée de leur découverte tout en mesurant les marges de raffinement de leur dispositif initial, Miguel Costa-Gomes et Vincent Crawford ont publié en 2006, dans l’American Economic Review, un second article séminal intitulé « Cognition and Behavior in Two-Person Guessing Games: An Experimental Study ». Dans ce travail de prolongement monumental, les auteurs adaptent leur méthodologie à une famille spécifique de jeux stratégiques continus : les jeux de devinette à deux joueurs (two-person guessing games), inspirés du cadre classique du concours de beauté de Keynes, mais généralisés à des espaces d’objectifs asymétriques et interconnectés.

Ce nouveau cadre expérimental permet de pousser la séparation analytique des modèles à un degré de pureté et d’élégance jamais atteint. Dans les matrices sous forme normale de l’étude de 2001, il subsistait occasionnellement des intersections résiduelles où deux modèles distincts pouvaient recommander la même stratégie. Dans les jeux de devinette de 2006, chaque profil cognitif — L1, L2, L3, D1, D2 et Équilibre de Nash — génère une solution numérique continue strictement unique, séparée de toutes les autres par des écarts mathématiques nets et insensibles aux ambiguïtés paramétriques.

Les résultats obtenus par Costa-Gomes et Crawford en 2006 corroborent de façon éclatante et définitive les conclusions de leur article fondateur de 2001 :

• Les types Level-1 et Level-2 émergent à nouveau comme les deux forces gravitationnelles régissant l’écrasante majorité des comportements observés.
• La prévalence du type d’équilibre de Nash demeure infinitésimale dans les interactions inaugurales.
• Le suivi visuel synchronisé démontre avec une précision chirurgicale que chaque participant consulte l’intervalle cible de son partenaire selon une logique procédurale rigoureusement corrélée au niveau d’anticipation stratifié calculé par son type théorique.

Cette réplication amplifiée a définitivement scellé l’hégémonie du modèle Level-k dans la littérature économique internationale.

11.2 Développements vers les modèles Cognitive Hierarchy (Camerer, Ho et Chong)

L’impact scientifique de l’étude de Costa-Gomes, Crawford et Broseta a stimulé l’émergence d’une variante théorique majeure conçue par Colin Camerer, Teck-Hua Ho et Juin-Kuan Chong en 2004 : le modèle de hiérarchie cognitive (Cognitive Hierarchy ou CH). Tout en partageant l’axiome fondateur d’une réflexion itérative étagée à partir d’un niveau primitif L0, le modèle de Camerer et ses coauteurs introduit une divergence structurelle cruciale concernant la nature des conjectures attribuées aux joueurs d’échelon supérieur.

Dans l’approche Level-k canonique de Crawford et ses coauteurs, un joueur de niveau $k$ formule une croyance ponctuelle rigide et polarisée : il postule avec certitude que l’ensemble de ses partenaires appartient exclusivement au palier cognitif immédiatement inférieur, c’est-à-dire au niveau $k-1$. Dans le modèle Cognitive Hierarchy, en revanche, les agents sont dotés d’une théorie de l’esprit plus souple et probabiliste : un joueur de niveau $k$ est conscient que la population des adversaires se distribue sur l’ensemble des paliers cognitifs sous-jacents, de 0 à $k-1$. Cette distribution empirique est modélisée par une loi de Poisson paramétrée par une moyenne d’itérations unique $tau$. Dès lors, un joueur CH calcule sa meilleure réponse face à un mélange probabiliste pondéré des comportements des types cognitifs inférieurs.

Cette divergence architecturale a alimenté un débat théorique et statistique passionnant tout au long des deux dernières décennies :

• Le modèle Cognitive Hierarchy présente l’attrait d’une formulation mathématique continue et élégante, résumée par un seul paramètre libre $tau$, ce qui facilite grandement son intégration dans des modèles macroéconomiques globaux.
• Toutefois, l’approche Level-k stricte de Costa-Gomes, Crawford et Broseta continue de dominer la microéconomie expérimentale de laboratoire en raison de sa fidélité supérieure aux données de recherche d’information : les sujets ne consultent presque jamais les matrices de gains comme s’ils calculaient une moyenne pondérée complexe sur une distribution de Poisson ; ils cherchent activement une cible stratégique précise et unique, ce qui valide empiriquement la structure unitaire du raisonnement Level-k direct.

11.3 Applications contemporaines en neuroéconomie et intelligence artificielle

À l’ère contemporaine, l’héritage de Costa-Gomes, Crawford et Broseta irrigue les champs les plus avancés de la recherche neuroscientifique et computationnelle. En neuroéconomie, les chercheurs mobilisent l’imagerie par résonance magnétique fonctionnelle (IRMf) pour identifier les corrélats cérébraux associés aux différents niveaux de la hiérarchie Level-k formalisés en 2001. Des études pionnières (notamment par Giorgio Coricelli et Rosemarie Nagel en 2009) démontrent que la transition entre un raisonnement de type L1 et un raisonnement de type L2 s’accompagne d’une activation physiologique intense du cortex préfrontal médial et de la jonction temporo-pariétale, des zones neuronales spécifiquement dédiées à la mentalisation et à la théorie de l’esprit. Ces données physiologiques confirment au niveau biologique la rupture qualitative séparant l’optimisation non stratégique (L1) de la simulation active du raisonnement d’autrui (L2).

Parallèlement, l’essor de l’intelligence artificielle et de l’apprentissage par renforcement multi-agents a redécouvert la pertinence pratique des travaux de Crawford et ses coauteurs. Les algorithmes de jeu conçus selon la stricte doctrine de l’équilibre de Nash ou du minimax s’avèrent notoirement inefficaces et maladroits lorsqu’ils sont confrontés à des partenaires humains dans des contextes coopératifs ou compétitifs réels. Pour concevoir des systèmes autonomes performants (qu’il s’agisse de véhicules autonomes naviguant dans un flux urbain ou de robots de négociation commerciale), les informaticiens intègrent désormais des architectures de décision fondées sur les modèles Level-k :

• Le système d’IA tente d’inférer dynamiquement le niveau cognitif de son interlocuteur humain à partir de ses premiers mouvements.
• Une fois ce diagnostic posé (par exemple, identification d’un comportement L1), l’algorithme sélectionne la meilleure réponse L2 pour maximiser la coordination ou exploiter de façon éthique l’asymétrie cognitive.

Enfin, dans le secteur des marchés financiers automatisés, la modélisation du trading haute fréquence s’inspire directement des concepts de Crawford pour anticiper les cascades d’ordres générées par des investisseurs institutionnels aux horizons d’anticipation asymétriques.

12. Synthèse critique et portée fondamentale de l’œuvre

12.1 Principaux apports scientifiques établis par l’étude

Avec le recul historique, l’article de Miguel Costa-Gomes, Vincent Crawford et Bruno Broseta s’impose comme l’un des textes les plus influents et fondateurs de la microéconomie moderne. Leur premier triomphe scientifique a été le démontage empirique probant, rigoureux et sans appel du mythe de la rationalité infinie et omnisciente comme norme universelle du comportement stratégique immédiat. En démontrant que l’équilibre de Nash échoue à prédire la réalité des interactions à un coup, les auteurs ont libéré la théorie des jeux du carcan axiomatique dogmatique dans lequel elle s’était enfermée au cours des décennies d’après-guerre.

Leur seconde contribution fondamentale réside dans l’apport de la preuve empirique positive que la cognition humaine sous contrainte stratégique obéit à des lois universelles, itératives et structurées, bien que strictement bornées. L’échec du modèle néoclassique ne débouche aucunement sur un abîme de nihilisme descriptif ou d’irrationalité informe : les agents réels déploient des règles de décision cohérentes, élégantes et mathématiquement modélisables au sein de la hiérarchie Level-k. En documentant l’ancrage massif des populations dans les strates L1 et L2, l’étude a procuré aux économistes un outil théorique d’une fécondité analytique sans équivalent pour remplacer les représentations désuètes de l’acteur économique.

Enfin, leur innovation méthodologique consistant à légitimer le traçage des processus informationnels via MouseLab a transformé l’économie en une discipline empirique mature, capable d’inspecter l’architecture computationnelle de la décision sans renoncer à la rigueur de l’inférence économétrique structurelle. Ils ont redéfini à jamais le standard scientifique de la preuve en économie comportementale.

12.2 Limites reconnues et défis ouverts par la recherche

Malgré sa stature de classique incontournable, l’étude de 2001 présente des limites méthodologiques et conceptuelles que les auteurs eux-mêmes ont loyalement reconnues et qui ont stimulé d’intenses débats ultérieurs. La première limite concerne l’effet potentiel d’artefact ergonomique induit par l’interface MouseLab. Le fait de devoir déplacer manuellement un curseur sur des boîtes fermées impose une friction physique qui n’existe pas dans la vision fovéale naturelle : ce frottement instrumental a pu inciter certains participants à réduire artificiellement leurs consultations d’information, accentuant potentiellement la prévalence mesurée de types cognitifs à faible profondeur de calcul comme le niveau L1.

Un deuxième défi majeur réside dans la transférabilité écologique des résultats à des contextes décisionnels hors laboratoire, caractérisés par des contraintes temporelles extrêmes ou des environnements immersifs hautement bruyants. Les matrices abstraites de seize jeux jouées dans le calme aseptisé d’un laboratoire universitaire capturent-elles fidèlement les heuristiques qu’un trader financier ou un négociateur géopolitique mobilise sous la pression du stress et de la vitesse ?

Enfin, l’étude s’étant délibérément concentrée sur les jeux à un coup pour isoler le raisonnement pur, elle a laissé ouverte l’énigme de la transition cognitive lors de l’apprentissage séquentiel répété :

• Comment et à quelle vitesse un joueur ancré au palier Level-1 apprend-il de ses déconvenues pour évoluer vers un profil Level-2 ou vers un équilibre de Nash au fil des interactions ?
• Quels sont les mécanismes neuro-computationnels qui président à la révision des conjectures sur la distribution cognitive d’autrui ?

Ces questions demeurent aujourd’hui au cœur des programmes de recherche les plus stimulants de la théorie des jeux contemporaine.

12.3 Conclusion : L’héritage intellectuel de Costa-Gomes, Crawford et Broseta

L’héritage intellectuel légué par Miguel Costa-Gomes, Vincent Crawford et Bruno Broseta est indélébile. En publiant leur article fondateur dans Econometrica en 2001, ces trois chercheurs ont transformé de manière irréversible la théorie des jeux, la faisant passer d’une branche hautement abstraite des mathématiques appliquées consacrée à l’exploration d’équilibres idéalisés à une science naturelle empiriquement ancrée, dédiée à la compréhension de la cognition humaine réelle face à l’incertitude sociale.

Leur influence s’exerce aujourd’hui bien au-delà des cercles académiques de l’économie expérimentale. Elle inspire directement les concepteurs de politiques publiques, les architectes des enchères de télécommunications et les ingénieurs d’institutions financières qui savent désormais que concevoir un mécanisme d’incitation efficace exige d’anticiper le fait que les usagers et citoyens réagiront selon des niveaux de sophistication cognitive bornés (L1/L2) plutôt que selon les canons utopiques de l’équilibre parfait. Les régulations contemporaines intègrent cette rationalité limitée pour prévenir les comportements de panique et les défaillances de coordination.

En unifiant la psychologie du traitement de l’information et la rigueur de l’analyse structurelle des matrices stratégiques, Costa-Gomes, Crawford et Broseta ont édifié un monument de la pensée scientifique moderne. Leur œuvre rappelle avec force que l’économie ne saurait se draper dans des postulats déconnectés de la réalité biologique de l’esprit humain, et que c’est en sondant patiemment les mécanismes profonds de la cognition que la théorie renforce sa puissance d’explication et sa capacité à éclairer le monde.

Références

• Camerer, C. F., Ho, T.-H., & Chong, J.-K. (2004). A cognitive hierarchy model of games. The Quarterly Journal of Economics, 119(3), 861–898. https://doi.org/10.1162/0033553041502183
• Coricelli, G., & Nagel, R. (2009). Neural correlates of depth of strategic reasoning in medial prefrontal cortex. Proceedings of the National Academy of Sciences, 106(23), 9163–9168. https://doi.org/10.1073/pnas.0807721106
• Costa-Gomes, M. A., & Crawford, V. P. (2006). Cognition and behavior in two-person guessing games: An experimental study. American Economic Review, 96(5), 1737–1768. https://doi.org/10.1257/aer.96.5.1737
• Costa-Gomes, M., Crawford, V. P., & Broseta, B. (2001). Cognition and behavior in normal-form games: An experimental study. Econometrica, 69(5), 1193–1235. https://doi.org/10.1111/1468-0262.00239
• Crawford, V. P., Costa-Gomes, M. A., & Iriberri, N. (2013). Structural models of thinking for strategic environments: One-shot games and learning. Journal of Economic Literature, 51(1), 5–62. https://doi.org/10.1257/jel.51.1.5
• Ericsson, K. A., & Simon, H. A. (1993). Protocol analysis: Verbal reports as data (Rev. ed.). MIT Press. https://mitpress.mit.edu/9780262550239/
• Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
• McKelvey, R. D., & Palfrey, T. R. (1995). Quantal response equilibria for normal form games. Games and Economic Behavior, 10(1), 6–38. https://doi.org/10.1006/game.1995.1023
• Nagel, R. (1995). Unraveling in guessing games: An experimental study. American Economic Review, 85(5), 1313–1326. https://www.jstor.org/stable/2950991
• Nash, J. F. (1950). Equilibrium points in n-person games. Proceedings of the National Academy of Sciences, 36(1), 48–49. https://doi.org/10.1073/pnas.36.1.48
• Payne, J. W., Bettman, J. R., & Johnson, E. J. (1993). The adaptive decision maker. Cambridge University Press. https://doi.org/10.1017/CBO9781139173933
• Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852
• Simon, H. A. (1976). From substantive to procedural rationality. In S. J. Latsis (Ed.), Method and appraisal in economics (pp. 129–148). Cambridge University Press. https://doi.org/10.1017/CBO9780511561115.008
• Stahl, D. O., & Wilson, P. W. (1994). Experimental evidence on players’ models of other players. Journal of Economic Behavior & Organization, 25(3), 309–327. https://doi.org/10.1016/0167-2681(94)90103-1
• Stahl, D. O., & Wilson, P. W. (1995). On players’ models of other players: Theory and experimental evidence. Games and Economic Behavior, 10(1), 218–254. https://doi.org/10.1006/game.1995.1031