La science des meilleures décisions.
La comparaison par paires n'est pas une idée nouvelle. Elle a été étudiée, testée et validée pendant près d'un siècle de recherche en psychologie, en économie et en science de la décision.
De la psychophysique aux conseils d'administration
Une méthode formalisée en 1927 — et reproduite depuis.

L'histoire intellectuelle de la comparaison par paires commence par un problème pratique : comment mesurer des choses qui n'ont pas d'unité naturelle ?
La réponse, proposée par le psychologue Louis Leon Thurstone à l'Université de Chicago, fut de comparer les choses directement, par paires. Son article de 1927, A Law of Comparative Judgment, a formalisé cette intuition en un modèle mathématique précis.
L'intuition de Thurstone reposait sur une observation empirique : les gens répondent nettement mieux à « lequel de ces deux sons est le plus fort ? » qu'à « quelle est l'intensité de ce son, sur une échelle de un à dix ? »
Pourquoi les paires fonctionnent mieux que les échelles
La charge cognitive de la notation est plus élevée qu'il n'y paraît.
Quand vous demandez à quelqu'un de noter l'importance d'une priorité stratégique sur une échelle de un à dix, vous lui demandez d'effectuer plusieurs opérations cognitives simultanément. Ce processus introduit une erreur systématique à chaque étape.
La plus dommageable de ces erreurs est le biais d'ancrage. Le premier élément noté tend à influencer toutes les notes suivantes ; les travaux de Tversky et Kahneman (1974) ont montré que les effets d'ancrage sont à la fois importants et remarquablement résistants à la correction.
Une deuxième source d'erreur est la compression de l'échelle. En pratique, la plupart des répondants évitent les extrémités des échelles et regroupent leurs réponses au milieu — c'est pourquoi une enquête sur douze priorités renvoie si souvent douze choses toutes « très importantes ».
Toute l'interaction, répétée encore et encore jusqu'à ce que chaque élément ait été comparé à tous les autres.
Demandez à quelqu'un de les noter sur dix et les deux obtiennent neuf. Demandez-lui de choisir et il répond en une seconde — et il le pense.
Comment les préférences deviennent un classement
La méthode d'agrégation est simple, transparente et mathématiquement fondée.
Pour n éléments à classer, chaque élément est comparé exactement une fois à chacun des autres. Le nombre total de comparaisons nécessaires est n(n−1)/2.
Agréger les réponses individuelles
Le score de chaque élément est son taux de victoire : la part de ses comparaisons qu’il a gagnées, une égalité ou un passage comptant pour moitié. Classer les éléments selon leurs victoires est simple et transparent, et la recherche montre que cette méthode tient bien face à des modèles statistiques plus complexes (Shah & Wainwright, 2018).
Agréger les réponses d'un groupe
Pour les sessions de groupe, les comparaisons de chaque participant sont agrégées avant le calcul du classement final. Le total des victoires du groupe pour une comparaison est la somme des votes individuels de tous les participants.
Point essentiel, le résultat agrégé révèle aussi la forme du désaccord. Les éléments qui divisent le groupe sont visibles dans les données — et c'est souvent le résultat le plus précieux d'une session de groupe.
La session de groupe comme outil de diagnostic
La liste classée n'est pas le seul résultat. La forme du désaccord compte tout autant.
Les méthodes classiques de décision en groupe partagent un défaut fondamental : elles sont sensibles à l'ordre dans lequel les opinions s'expriment. La première personne qui parle ancre le groupe.
Les groupes ont tendance à discuter de ce que tout le monde sait déjà et à sous-exploiter ce qu’un seul membre sait. C’est le problème du profil caché (Stasser & Titus, 1985). Recueillir les choix de chacun en privé, avant toute discussion, met tous les points de vue sur la table.
Où elle est utilisée
De la psychoacoustique à l'entraînement de l'IA — la méthode passe à l'échelle.
Planification stratégique et management
L'Analytic Hierarchy Process (AHP) a été utilisé pour des décisions stratégiques à fort enjeu dans la défense, les infrastructures, la santé et l'administration publique. Une revue de 2008 a recensé plus de 900 applications publiées dans 19 domaines différents.
Apprentissage automatique et IA
L'apprentissage par renforcement à partir de retours humains (RLHF), la technique utilisée pour entraîner les grands modèles de langage modernes, repose entièrement sur la comparaison par paires. Des évaluateurs humains voient deux réponses du modèle et doivent choisir la meilleure.
Sport et classements compétitifs
Le système de classement Elo, utilisé aux échecs, au football et dans des dizaines d’autres domaines compétitifs, est étroitement lié au modèle de comparaison par paires de Bradley-Terry.
Pour aller plus loin
Sources primaires et textes clés.
A Law of Comparative Judgment. Psychological Review, 34(4), 273–286.
Rank analysis of incomplete block designs. Biometrika, 39(3/4), 324–345.
A Scaling Method for Priorities in Hierarchical Structures. Journal of Mathematical Psychology, 15(3), 234–281.
Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131.
Pooling of Unshared Information in Group Discussion. Journal of Personality and Social Psychology, 48(6), 1467–1478.
Deep Reinforcement Learning from Human Preferences. NeurIPS 2017.
Simple, Robust and Optimal Ranking from Pairwise Comparisons. Journal of Machine Learning Research.
Prêt à essayer la méthode ?
Configurez une session individuelle ou de groupe en moins de deux minutes. Aucun compte requis pour commencer.
Partir d'un modèle
Aucun modèle ne correspond. Effacez la recherche.