Un modèle d'adversaire pour prédire les décisions des joueurs de bridge basé sur des caractéristiques psychologiques

An adversary model for decision making in bridge game based on psychological traits

• Auteur / Autrice : Camille Sauvain
• Direction : Jérôme Sackur
• Type : Projet de thèse
• Discipline(s) : Sciences cognitives, psychologie, linguistique, philosophie de la pensee
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Frontières de l'innovation en recherche et éducation
• Partenaire(s) de recherche : Laboratoire : Laboratoire de sciences cognitives et psycholinguistique (1985-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)

Mots clés

Mots clés libres

Jeu

Décision

Théorie de l'esprit

Personnalité

Intelligence artificielle

Cognition

Cognition

Personality

Artificial intelligence

Game

Theory of mind

Decision

Résumé

DeepBlue, AlphaGo Zero et plus récemment, Pluribus ont atteint le niveau des meilleurs joueurs humains que ce soit pour le jeu d'échec, le jeu de go ou le poker no-limit hold'em. Puisqu'aucune de ces intelligences artificielles ne dispose d'un modèle d'adversaire, nous pouvons supposer que nous n'avons pas besoin d'un modèle aussi complexe pour gagner. Pouvons-nous faire la même hypothèse concernant les joueurs humains ? Les joueurs humains n'ont-ils pas besoin d'un modèle d'adversaire complexe pour atteindre le meilleur niveau ? Nous supposons que les joueurs humains essayent d'anticiper les actions des autres joueurs lorsqu'ils jouent. Nous allons utiliser le bridge, le jeu de carte, comme un nouveau paradigme en sciences cognitives. Ce jeu semble tout à fait pertinent puisqu'il s'agit d'un jeu à information incomplète, cumulant les interactions coopératives et compétitives et nécessitant de communiquer avec les autres joueurs, le rendant très proche des contraintes de la vie réelle. Notre objectif est de montrer que les joueurs de bridge construisent et utilisent un modèle des autres joueurs pour anticiper leurs actions. En combinant la méthode expérimentale inspirée des sciences cognitives et les nouvelles possibilités en analyse de données offertes par les avancées en apprentissage machine, nous avons créé une expérience originale ayant pour but de révéler l'utilisation de la représentation d'autrui dans le jeu. In fine, cette thèse, combinant sciences cognitives et intelligence artificielle, a pour objectif de montrer que la représentation d'autrui est pertinente pour prendre des décisions stratégiques dans un environnement incomplet et que les intelligences artificielles devraient évoluer pour inclure une telle représentation.

DeepBlue, AlphaGo Zero, and more recently Pluribus mastered the games of Chess, Go and No limit hold'em Poker. Because none of these artificial intelligences have an adversary model, we might think that there is no need for such a complex model of players to play these games. Can we make the same assumption for human players? Aren't humans in need of a complex adversary model to master a game? Our intent is to test whether human players are trying to anticipate other's behaviors in a game. We will use the card game of bridge as a new paradigm in cognitive science as it is an incomplete information game, with competitive and cooperative interactions, and players need to communicate. Bridge game is, then, very close to real life. Our goal is to show that bridge players construct and use a model of their co-players in order to predict their behaviors. We will use experimental methodology inspired from cognitive psychology and the actual possibilities in data analysis coming from discoveries in machine learning to design an original experiment in order to reveal the use of a representation of co-players in bridge game. Ultimately, this thesis, which is in between cognitive science and artificial intelligence, may show that representations of others are relevant in order to make strategic decisions in an incomplete environment and that artificial intelligences need such representations.