Des chercheurs de l'Université technique de Berlin ont démontré qu'enseigner aux grands modèles de langage de raisonner comme des humains améliore significativement la précision de leurs conseils en matière de santé. Cette étude, publiée dans la revue JMIR Biomedical Engineering, propose un changement de paradigme dans l'ingénierie des prompts, passant d'instructions informatiques à des stratégies ancrées en psychologie appliquée. Alors que des millions d'utilisateurs se tournent vers des outils comme ChatGPT pour obtenir des avis médicaux, l'IA tend souvent à recommander des soins d'urgence ou professionnels, même pour des problèmes mineurs, par excès de prudence. Ce sur-diagnostic entraîne des coûts de santé inutiles et de l'anxiété chez les patients. L'équipe de recherche dirigée par Marvin Kopka et Markus A. Feufel a testé dix modèles de ChatGPT, incluant les séries récentes GPT-4o et GPT-5, en utilisant des invites inspirées de la Prise de Décision Naturaliste (NDM). Contrairement à la logique traditionnelle, la NDM se concentre sur la manière dont les experts humains prennent des décisions dans des situations incertaines. L'étude a exploité deux cadres psychologiques spécifiques pour guider l'IA. Les résultats montrent que lorsque l'on teste l'IA avec des informations parfaites, ses performances apparaissent excellentes, mais la réalité comporte des problèmes mal définis. En appliquant des modèles de prise de décision humaine, les chercheurs ont pu adapter les outils d'intelligence artificielle aux conditions réelles. Le principe clé consiste à fournir à l'IA une "structure de raisonnement" basée sur la cognition humaine plutôt que sur la logique computationnelle pure. En instruisant le modèle de simuler des scénarios et de questionner ses propres interprétations initiales, l'équipe a réussi à atténuer la tendance habituelle de l'IA vers une prudence excessive. Cette approche permet de mieux évaluer la gravité des symptômes et de proposer des recommandations adaptées, comme des soins à domicile pour des cas bénins, évitant ainsi des consultations inutiles. Bien que ces découvertes marquent une avancée majeure pour faire des grands modèles de langage des partenaires plus efficaces en matière de décision clinique, l'équipe souligne que le modèle fonctionne actuellement mieux dans des environnements contrôlés. La recherche future sera essentielle pour déterminer si ces invites inspirées par la NDM se traduisent par un meilleur soutien à la décision pour les utilisateurs quotidiens dans des situations non standardisées et complexes. L'objectif final est de créer des outils d'IA utiles pour la médecine personnalisée, où les données médicales sont souvent imparfaites ou incomplètes. Cette méthode ouvre la voie à une intégration plus sécurisée et pertinente de l'intelligence artificielle dans le système de santé, promettant de réduire les erreurs de jugement liées à une logique trop rigide et de mieux servir les besoins réels des patients.