Littératie algorithmique et littératie des données

L’intelligence artificielle (IA) a pris une importance considérable dans notre société, touchant presque tous les aspects de la vie quotidienne et transformant de nombreux secteurs d’activité. Pour pouvoir profiter des opportunités qu’elle offre en termes d’innovation, d’efficacité et d’amélioration de la qualité de vie, les membres de la société doivent acquérir un corps de connaissances et compétences qu’on peut regrouper sous le vocable de littératie. Le terme littératie est défini par l’OCDE (2000) comme « l’aptitude à comprendre et à utiliser l’information écrite dans la vie courante, à la maison, au travail et dans la collectivité en vue d’atteindre des buts personnels et d’étendre ses connaissances et ses capacités ».

Dans son sens le plus général, l’intelligence artificielle se définit comme un ensemble d’algorithmes informatiques qui peuvent simuler des processus cognitifs humains tels que la capacité d’apprendre, de prendre des décisions et de résoudre des problèmes. Pour y parvenir, les processus algorithmiques ont besoin de larges quantités de données pour faire leur propre apprentissage.

Pour bien comprendre l’intelligence artificielle, deux littératies semblent donc indispensables, la littératie algorithmique et la littératie des données. Dans cet article, nous tenterons de définir à grands traits ces deux littératies.

La littératie algorithmique fait référence à la capacité de comprendre, d’interpréter et de critiquer les algorithmes sur lesquels s’appuient toutes les applications intelligentes de notre vie quotidienne connectée, à la maison, au travail ou à l’école (voir plusieurs définitions dans Le Deuff et Roumanos, 2022, et Oeldorf-Hirsch et Neubaum, 2023). Elle s’articule autour de plusieurs compétences clés:

1. Compréhension des principes de base: comprendre ce qu’est un algorithme, comment il fonctionne, et les principes de base de la programmation et de l’analyse algorithmique.
2. Conscience de l’impact: Reconnaître comment les algorithmes influencent divers aspects de la société, de la recommandation de contenu en ligne aux décisions de crédit et autres décisions de gestion dans les organisations.
3. Capacité d’évaluation critique: Être capable d’évaluer les forces et les faiblesses des algorithmes, comprendre leurs limites, leurs biais potentiels, et les implications éthiques de leur utilisation.
4. Compétences pratiques: à un niveau plus avancé, cela peut également inclure la capacité de créer, de modifier ou d’interagir directement avec les algorithmes, à travers la programmation et la conception de systèmes.
5. Sensibilisation à la gouvernance et à la réglementation: Comprendre comment les algorithmes sont réglementés, les droits des individus par rapport à eux, et comment ils peuvent être utilisés à bon escient ou avec abus dans différents contextes.

En résumé, la littératie algorithmique aidera les gens à prendre des décisions éclairées, à comprendre les implications de l’utilisation des technologies et à participer de manière significative aux débats sur la manière dont ces technologies devraient être utilisées et réglementées.

On peut aussi décliner les compétences clés que suppose la littératie des données, qui se définit globalement comme la capacité de collecter, gérer, évaluer, et utiliser des données de manière efficace. Les compétences sont liées à la manipulation, l’interprétation et la présentation des données. Plus précisément, elles s’articulent autour des éléments suivants:

1. Compréhension des données:

• Connaissance des types de données: Comprendre les différents types de données (quantitatives, qualitatives, structurées, non structurées) et leurs utilisations.
• Terminologie et concepts: Maîtriser la terminologie de base liée aux données, comme les ensembles de données, les bases de données, le nettoyage des données, etc.

2. Collecte et gestion des données:

• Collecte de données: Savoir comment et où collecter des données, y compris la compréhension des méthodes de collecte et des sources de données.
• Stockage et organisation: Comprendre comment stocker les données de manière sécurisée et les organiser pour une utilisation facile et efficace.

3. Traitement et manipulation des données:

• Nettoyage des données: Capacité à nettoyer et préparer les données pour l’analyse, y compris la gestion des données manquantes, dupliquées ou erronées.
• Manipulation des données: Utiliser des outils et des logiciels pour manipuler les données, y compris des compétences en programmation (comme SQL, Python, R) pour filtrer, trier, et transformer les données.

4. Analyse des données:

• Techniques d’analyse: Comprendre et appliquer des techniques statistiques et analytiques de base pour interpréter les données.
• Utilisation d’outils d’analyse: Maîtriser les outils d’analyse de données et de visualisation, tels que les tableaux de bord, les logiciels statistiques, et les plateformes d’analyse.

5. Interprétation et critique des données:

• Interprétation des résultats: Capacité à interpréter correctement les résultats d’une analyse de données, en comprenant ce que les données indiquent et n’indiquent pas.
• Pensée critique: Évaluer de manière critique la qualité des données, les méthodes d’analyse utilisées, et la pertinence des conclusions tirées.

6. Communication des données:

• Visualisation des données: Créer des visualisations de données efficaces pour communiquer les résultats de manière compréhensible.
• Communication des résultats: Capacité à communiquer les résultats d’une analyse de données à un public varié, en expliquant les implications et les recommandations de manière claire.

7. Considérations éthiques:

• Conscience des questions éthiques: Comprendre les implications éthiques de la collecte, de l’analyse, et de l’utilisation des données, y compris la vie privée, la consentement, et la gestion des biais.
• Respect des normes et règlements: Connaître et respecter les lois et règlements relatifs à la protection des données.

La littératie des données est donc une combinaison de connaissances techniques, analytiques et éthiques qui sont essentielles aux individus et aux organisations pour prendre des décisions éclairées, innover et communiquer efficacement.

D’autres formes de littératie viennent compléter la littératie algorithmique et la littératie des données pour établir l’écosystème plus large des compétences nécessaires dans le monde numérique moderne, notamment la littératie informationnelle, la littératie numérique et la littératie des médias. La littératie informationnelle est plus large que la littératie algorithmique et englobe la capacité de comprendre et d’utiliser l’information de manière critique, quelle que soit sa forme. La littératie numérique couvre une gamme plus large de compétences, y compris l’utilisation de logiciels, la compréhension des médias numériques, et plus encore. Enfin, la littératie des médias se concentre sur la compréhension et la création de contenu médiatique, ainsi que sur la compréhension de l’impact des médias sur l’individu et la société. La littératie algorithmique peut être considérée comme un aspect de la littératie des médias dans le contexte des médias numériques, en se concentrant sur la manière dont les algorithmes influencent la création et la distribution du contenu médiatique.

Un élément très important dans le développement de ces littératies est l’équilibre qui doit s’établir entre la littératie des utilisateurs et la transparence des algorithmes ou des plateformes (Oeldorf-Hirsch et Neubaum, 2023).  En effet, l’IA explicable vise à rendre les systèmes d’IA plus transparents et compréhensibles, en expliquant leurs décisions de manière compréhensible par les humains. Cela nécessite toutefois une certaine littératie algorithmique pour être pleinement efficace, car les utilisateurs doivent avoir une compréhension de base des concepts d’IA pour comprendre les explications fournies.

Cette analyse du corps de connaissances et de compétences entourant les algorithmes et les données devraient permettre d’établir des protocoles et instruments de mesure de la littératie algorithmique et des données. Certains articles ont déjà abordé cette question (voir Dogruel et al., 2021, Gaudet et al., 2023; Bonikowska et al., 2019 et leurs propres références) et nous pourrons la traiter dans un prochain article de notre infolettre.

Références

Bonikowska, Aneta, Claudia Sanmartin et Marc Frenette, Littératie des données et comment la mesurer dans la fonction publique, Statistique Canada, No 11-633-X au catalogue — No 022, 2019.

Dogruel L., Masur P. and Joeckel S., Development and validation of an algorithm literacy scale for Internet users. Communication Methods and Measures 2021, 16(2): 115–133.

Gaudet, Marie-Claude, Xavier Parent-Rocheleau et Vincent Pasquier, La littératie permettrait-elle une meilleure gestion algorithmique? Tendances, Automne 2023, Vol. 22, 1, HEC Montréal.

https://mag.hec.ca/la-litteratie-permettrait-elle-une-meilleure-gestion-algorithmique

Le Deuff, Olivier et Rayya Roumanos, Enjeux définitionnels et scientifiques de la littératie algorithmique : entre mécanologie et rétro-ingénierie documentaire, Tic&société, Vol. 15, N° 2-3 | 2ème semestre 2021 – 1er semestre 2022.

OCDE/Statistiques Canada (2000), La littératie à l’ère de l’information : Rapport final de l’Enquête internationale sur la littératie des adultes, Éditions OCDE, Paris, https://doi.org/10.1787/9789264281769-fr.

Oeldorf-Hirsch, Anne et German Neubaum, What do we know about algorithmic literacy? The status-quo and a research agenda for a growing field, new media and Society, 2023, 1-21.

et ChatGPT.