Expliquer et comprendre à l’ère de l’IA

Rien dans la vie n’est à craindre, tout doit être compris. C’est maintenant le moment de comprendre davantage afin de craindre moins.

Expliquer et comprendre sans l'IA

Dans le contexte de la recherche, les termes "expliquer" et "comprendre" sont souvent utilisés pour décrire différents aspects de l'analyse et de l'interprétation des phénomènes. Wilhelm Dilthey, un philosophe et historien allemand, a largement contribué à la distinction entre ces deux concepts.

Selon lui, expliquer (erklären) est davantage associé aux sciences naturelles, tandis que comprendre (verstehen) est propre aux sciences humaines (Dilthey, 1883).

• Expliquer implique la fourniture de raisons ou de causes qui justifient ou rendent compte d'un phénomène. Cela se réfère à l'identification des mécanismes ou des processus sous-jacents qui conduisent à l'occurrence de ce phénomène.
  
  Dans la recherche, expliquer un phénomène signifie souvent déterminer les relations causales entre différentes variables. Par exemple, une étude peut chercher à expliquer pourquoi une certaine politique publique a conduit à une augmentation des taux de vaccination en identifiant les facteurs spécifiques, tels que la sensibilisation accrue ou l'accès facilité aux vaccins, qui ont contribué à ce résultat.
  
  Les travaux de Carl Hempel et Paul Oppenheim ont également approfondi cette notion en élaborant le modèle déductif-nomologique de l'explication scientifique (Hempel & Oppenheim, 1948).
  
  
• Comprendre, quant à lui, se réfère à la capacité de saisir le sens, la signification ou les implications d'un phénomène. Cela implique une appréciation plus holistique et contextuelle de ce phénomène.
  
  Dans la recherche, comprendre va au-delà de l'identification des causes pour inclure une appréciation des perceptions, des significations et des expériences subjectives associées au phénomène étudié. Par exemple, comprendre pourquoi une communauté hésite à se faire vacciner nécessite non seulement d'identifier les facteurs contributifs, mais aussi de saisir les peurs, les croyances culturelles et les valeurs qui influencent les comportements des individus au sein de cette communauté.
  
  Les travaux d'Erving Goffman et de Max Weber sont particulièrement pertinents dans ce domaine, car ils mettent en lumière l'importance des significations sociales et des interactions symboliques (Goffman, 1959; Weber, 1922).

La distinction entre expliquer et comprendre peut également être vue en termes d'objectivité versus subjectivité. Expliquer tend à être plus objectif et quantitatif, souvent basé sur des données mesurables et des analyses statistiques. Comprendre, en revanche, est souvent plus subjectif et qualitatif, nécessitant des méthodes comme les entretiens, les observations et les études de cas pour saisir les nuances et les significations profondes. Cette distinction est cruciale dans les sciences sociales, où l'accent est mis sur l'interprétation des comportements humains et des structures sociales (Geertz, 1973).

En termes d'approche analytique versus approche holistique, l'explication se concentre sur des éléments spécifiques et isolés du phénomène, comme les variables indépendantes et dépendantes. Comprendre adopte une vue d'ensemble, tenant compte du contexte global et des interactions complexes entre divers facteurs. Les travaux de Clifford Geertz, notamment sur l'ethnographie, illustrent cette approche compréhensive où le but est de rendre compte de la "densité" des significations culturelles (Geertz, 1973).

Enfin, les objectifs et les finalités de ces deux démarches diffèrent. L'objectif de l'explication est souvent de prédire et de contrôler. Par exemple, en expliquant les facteurs qui influencent la réussite scolaire, on peut développer des interventions pour améliorer les résultats des élèves. L'objectif de la compréhension est de donner un sens et d'informer, souvent en enrichissant la perspective des parties prenantes ou en guidant la formulation de nouvelles questions de recherche.

Cette distinction est particulièrement soulignée dans les travaux de Thomas Kuhn, qui a exploré comment les paradigmes scientifiques influencent la manière dont les chercheurs perçoivent et interprètent les données (Kuhn, 1962).

Expliquer et comprendre avec l'IA

L'impact de l'intelligence artificielle (IA) dans ce contexte modifie profondément les approches explicatives et compréhensives. L'IA, avec sa capacité à traiter d'énormes quantités de données et à identifier des modèles complexes, renforce la dimension explicative en permettant des analyses causales plus sophistiquées et prédictives. Les algorithmes d'apprentissage automatique, par exemple, peuvent révéler des relations cachées entre variables que les méthodes traditionnelles pourraient négliger (Russell & Norvig, 2020).

Cependant, la compréhension, telle que définie par Dilthey et d'autres, demeure un défi pour l'IA. La machine, bien qu'efficace dans l'analyse des données, a du mal à saisir les significations culturelles et contextuelles de manière aussi profonde que les approches qualitatives humaines. Les travaux sur l'interprétabilité des modèles d'IA cherchent à combler cette lacune en rendant les décisions des algorithmes plus transparentes et compréhensibles pour les humains (Lipton, 2016).

L'IA peut automatiser la collecte et l'analyse de grandes quantités de données qualitatives, facilitant ainsi une compréhension plus rapide et peut-être plus détaillée des phénomènes sociaux. Par exemple, des logiciels d'analyse de texte basés sur l'IA peuvent identifier des thèmes et des sentiments dans de vastes corpus de données textuelles, ce qui serait extrêmement laborieux pour des chercheurs humains (Manning et al., 2008).

Toutefois, la nature contextuelle et nuancée de la compréhension humaine pose un défi significatif pour l'IA. Les outils d'IA peuvent manquer de la sensibilité nécessaire pour appréhender les subtilités des interactions humaines et des significations culturelles. Cette limitation souligne l'importance de combiner les approches quantitatives de l'IA avec les méthodes qualitatives traditionnelles pour obtenir une image complète et nuancée des phénomènes étudiés.

Enfin, l'intégration de l'IA dans les processus de recherche soulève des questions éthiques et méthodologiques. Comment garantir que les algorithmes d'IA ne reproduisent pas les biais humains présents dans les données d'entraînement ? Comment s'assurer que les conclusions tirées par l'IA sont interprétées correctement et de manière contextuelle par les chercheurs humains ? Ces questions mettent en lumière les défis et les responsabilités associés à l'utilisation de l'IA dans la recherche (Vayena et al., 2018).

En résumé, l'impact de l'intelligence artificielle, bien que puissant dans l'explication, met en lumière la complexité de la compréhension dans l'analyse des phénomènes humains et sociaux. Les contributions de Dilthey, Kuhn, Goffman et d'autres chercheurs en sciences humaines et sociales montrent que ces deux approches sont essentielles pour une compréhension complète et nuancée des phénomènes étudiés.

Questions pour les évolutions futures

1. Comment les avancées en IA peuvent-elles améliorer notre capacité à comprendre les significations culturelles et contextuelles de manière aussi profonde que les méthodes qualitatives humaines ?
   
   
2. Quelles sont les nouvelles méthodologies émergentes qui combinent efficacement les forces de l'IA et des approches qualitatives traditionnelles dans la recherche ?
   
   
3. Comment pouvons-nous atténuer les biais et les limitations inhérents aux algorithmes d'IA tout en tirant parti de leurs capacités explicatives avancées ?
   
   
4. Quelles implications éthiques doivent être prises en compte lorsque l'on utilise l'IA pour comprendre et expliquer des phénomènes sociaux complexes ?

Image par Alexandra_Koch de Pixabay

Sources

Dilthey, W. (1883). Introduction aux sciences humaines. Leipzig : Duncker & Humblot.

Geertz, C. (1973). L'interprétation des cultures. Paris : Éditions Gallimard.

Goffman, E. (1959). La mise en scène de la vie quotidienne. Paris : Éditions de Minuit.

Hempel, C. G., & Oppenheim, P. (1948). Études sur la logique de l'explication. [Pas de traduction française directe connue].

Kuhn, T. S. (1962). La structure des révolutions scientifiques. Paris : Flammarion.

Lipton, Z. C. (2016). Le mythe de l'interprétabilité des modèles. [Disponible en prépublication sur arXiv].

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction à la recherche d'information. [Pas de traduction française connue].

Russell, S., & Norvig, P. (2020). Intelligence artificielle : Une approche moderne (4e éd.). [Pas de traduction française connue].

Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Apprentissage machine en médecine : Répondre aux défis éthiques. PLOS Medicine.

Weber, M. (1922). Essais sur la théorie de la science. Paris : Plon.