Percevoir le monde extérieur ne suffit pas à agir de façon optimale. Comment passer d’une perception à une décision ? Le problème est exposé de façon simple dans une revue récente (Maloney & Zhang, 2010). Chaque état du monde (w) se traduit, après inférence bayésienne, par une distribution d’états sensoriels inférés (x). Le problème de la décision consiste à choisir l’action (a = d(x)) en fonction des états sensoriels x. Les actions ont des conséquences positives ou négatives qui dépendent des états réels du monde, selon une fonction de Gain (ou de Coût) G(a,w). Une stratégie rationnelle consiste à choisir l’action qui maximise l’espérance du gain G.
De ce modèle très général, on peut déduire, par exemple, la totalité de la théorie de la détection du signal (signal detection theory). Les états du monde sont binaires (w ou ~w) et la fonction de gain, très simple, vaut + 1 si la réponse correspond à l’état du monde, -1 sinon. Cependant, la théorie permet de modéliser des situations bien plus complexes. Par exemple, une tâche intéressante consiste à demander au sujet de pointer très vite du doigt vers une cible (un disque vert) tout en imposant une pénalité si le doigt touche un cercle rouge (Trommershauser, Maloney & Landy, 2008). Les résultats indiquent que de telles décisions motrices, en dépit de leur rapidité et de leur automaticité, s’approchent de l’optimalité. Les sujets prennent convenablement en compte l’incertitude associée à leurs propres mouvements, la distribution des stimuli et les coûts qui en résultent. Ils parviennent également à arbitrer entre le temps consacré à la prise de décision et le temps consacré au mouvement, toujours en optimisant la fonction de coût imposée par l’expérimentateur (Battaglia & Schrater, 2007). Enfin, ils prennent en compte, de façon quasi-optimale, les informations sensorielles intermédiaires, plus ou moins bruitées, qu’ils reçoivent sur la trajectoire de leur mouvement en cours (Kording & Wolpert, 2004).
