Accueil » Publications » Big data, machine learning et évaluation : 8. Conclusion

Suivez-nous

LinkedIn
RSS

Évènements à venir

Restons en contact

Big data, machine learning et évaluation : 8. Conclusion

La data science au service des administrations

Gagnant du prix SEVAL 2021

8. Conclusion

Envie de lire plus de cas pratiques ? Consultez mon article sur l’analyse des sentiments (via Google Cloud).

8.1. Un retard d’adaptation

Les tentatives d’intégration de nouveaux modèles statistiques et de leurs applications informatiques dans le pilotage de projets, de programmes ou de politiques publiques ouvrent des voies prometteuses pour l’évaluation. La croissance exponentielle des données ainsi que la diffusion gratuite d’outils de développement accélèrent la recherche et les innovations dans le domaine. Si les organisations à but lucratif sont incitées à s’adapter, les acteurs associatifs et étatiques accusent un temps de retard et les évaluateurs peinent à innover dans leurs méthodes d’analyse.

8.2. Une évolution sans révolution

D’un autre côté, les cas abordés dans cette série d’articles tempèrent les fantasmes d’une évaluation automatisée : évaluer ne se résume pas à prédire des résultats et les problèmes d’efficacité ne se résolvent pas à coups d’optimisation d’AUC. La mission de l’évaluateur, autant pour l’aide à la décision que pour la production de connaissances, comporte une part irréductible de décisions et d’interactions humaines. Malgré cela, intégrer ces nouveaux outils demeure une opportunité irréfutable, tant pour la qualité des analyses que pour le développement des bonnes pratiques en évaluation.

« As Pete York at CommunityScience.com observes: “Herein lies the opportunity – we evaluators can’t battle the wave of big data and data science that will transform the way we do research. However, we can force it to have to succumb to the rules of objective rigor via the scientific method. Evaluators/researchers train people how to do it, they can train machines. We are already doing so.”  (Personal communication 8/7/17) »

(Bamberger 2017b)

8.3. Ouvrir la réflexion sur les enjeux éthiques

La question éthique n’a été soulevée ici qu’à la marge, alors qu’elle reste fondamentale pour orienter le développement de nouveaux standards d’évaluation. Les enjeux soulevés par les nouvelles technologies appellent de nouvelles réflexions et il est urgent, pour les évaluateurs, de confronter les décideurs à leur existence.

Quelques enjeux éthiques soulevés par les NTICS
  • La protection de la vie privée – dans un contexte de récolte massive et systématique d’informations, l’utilisateur peut être inconscient des données qu’il livre à des tiers (UN Global Pulse 2012, 24).
  • La transparence des algorithmes d’intelligence artificielle – l’appropriation des données et du code source empêche la vérification et la régulation des technologies d’aide à la décision (Confédération suisse 2018, 31).
  • L’utilisation des données – lorsque des sociétés tierces monopolisent le profit des informations tirées de publics vulnérables (Bamberger 2017b).
  • La tentation de substituer les données traditionnelles par le big data – les données générées automatiquement peuvent représenter un gain d’efficience considérable pour les financeurs, qui peuvent choisir d’abandonner d’autres formes de récoltes de données et diminuer les interactions avec les bénéficiaires (Bamberger 2017c).

La relation que développeront les évaluateurs avec les NTICs demeure incertaine et le futur séparera les pionniers des suiveurs dans le développement de nouveaux standards de qualité. La révolution numérique marque le début d’une discussion excitante sur les promesses, les défis, les réussites et les échecs de la data science en évaluation. En prédire l’issue reste, ironiquement, hors de portée autant des humains que des machines.

À propos de Michael
Michael Debétaz
Consultant
Data Science | Evaluation | Web Dev

Je travaille comme entrepreneur et comme conseiller en organisation depuis 2016. Je suis spécialisé en data science, en évaluation et en développement d’applications web. J’ai aidé plusieurs organisations à moderniser leurs processus de travail (notamment @ CVAJ) et je cultive une passion sans borne pour ce que le numérique peut apporter à la réalisation de projets. À côté, je dirige Sympa Bonnard, un e-commerce qui promeut une consommation éthique et locale. Je trouve mon épanouissement en soutenant des organisations à développer et à améliorer leurs projets, tout en leur transmettant les outils pour développer leur propre autonomie.

LinkedIn | YouTube | Écrivez-moi


Les chapitres de ce travail

  1. Introduction : l’avènement de la data science grâce à la révolution numérique
  2. Survol de la discussion scientifique
    1. Début des années 2010 : les premiers retours de terrain
    2. Le milieu des années 2010 : l’envol de la thématique
    3. L’accalmie du débat depuis 2018
  3. Quelques définitions
    1. Le machine learning
    2. La data science (ou science des données)
    3. Le big data
    4. L’évaluation
  4. Prédire les contraventions impayées de la ville Détroit
  5. La prédiction des pannes (ou maintenance prédictive)
  6. La gestion des tickets d’incident
  7. La détection de prestations erronées
  8. Conclusion
    1. Un retard d’adaptation
    2. Une évolution sans révolution
    3. Ouvrir la réflexion sur les enjeux éthiques
  9. Bibliographie

9. Bibliographie


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *