Combiner l'IA et les sciences du comportement de manière responsable

Il s'agit d'un sous-ensemble de l'IA qui décrit les systèmes ayant la capacité d'apprendre automatiquement à partir de l'expérience, à l'instar des humains. L'apprentissage automatique est largement utilisé par les plateformes de médias sociaux pour prédire les types de contenu que nous sommes le plus susceptibles de lire, qu'il s'agisse des articles d'actualité qui s'affichent sur nos fils d'actualité Facebook ou des vidéos que YouTube nous recommande. Selon Facebook6, la ML est utilisée pour "connecter les gens avec le contenu et les histoires qui les intéressent le plus".

Pourtant, nous n'avons peut-être tendance à nous intéresser qu'aux choses qui renforcent nos croyances. Selon une analyse de McKinsey & Company, les sites de médias sociaux utilisent des algorithmes de ML pour "[filtrer] les nouvelles en fonction des préféreⁿces des utilisateurs [et renforcer] le biais de confirmation naturel des lecteurs".7 Pour les géants des médias sociaux, le biais de confirmation est une caractéristique, et non un bogue.

Malgré les inquiétudes concernant les boucles de rétroaction générées par les ML qui créent des chambres d'^écho idéologiques sur les sites de médias sociaux8 - ce qui pourrait en effet être un axiome fondé sur une vision incomplète de l'alimentation médiatique des ⁱndividus, selon une étude de l'Oxford Internet Institute9 - ces applications des ML (et bien d'autres) ne sont pas intrinsèquement négatives. La plupart du temps, il peut être bénéfique pour nous d'être en contact avec les personnes et les contenus qui nous intéressent le plus. Toutefois, les utilisations problématiques de la ML peuvent entraîner de mauvais résultats : Si nous programmons les machines pour qu'elles optimisent les résultats en fonction de nos opinions et objectifs normatifs, c'est exactement ce qu'elles risquent de faire. Les machines d'IA ne sont aussi intelligentes, rationnelles, réfléchies et impartiales que leurs créateurs. Et, comme le montre le domaine de l'économie comportementale, la rationalité humaine a ses limites.

L'existence de biais ne signifie pas nécessairement que nous devrions ralentir ou arrêter notre utilisation de l'IA. Au contraire, nous devons être attentifs à ce qui se passe pour que l'IA ne devienne pas une sorte de boîte noire énigmatique sur laquelle nous avons ostensiblement peu de contrôle. L'intelligence artificielle et l'apprentissage automatique sont simplement des outils à notre disposition ; il nous appartient de décider comment les utiliser de manière responsable. Une attention particulière est requise lorsque nous utilisons un outil aussi puissant que l'intelligence artificielle - un outil qui, associé aux sciences du comportement, peut potentiellement exacerber les biais qui influencent notre prise de décision à une échelle sans précédent. Les mauvais résultats de ce partenariat pourraient inclure un renforcement des préjugés que nous avons à l'égard des personnes marginalisées, ou une myopie à l'égard du progrès équitable au nom d'une optimisation calculée. Les résultats médiocres pourraient inclure l'utilisation d'interventions en sciences comportementales infusées de ML pour nous vendre plus de choses dont nous n'avons pas besoin ou pour bureaucratiser nos environnements de choix dans une toile d'ennui. Ces outils pourraient également encourager la recherche pernicieuse de rentes par des entreprises peu inspirées, ce qui aurait pour effet d'étouffer l'innovation et d'affaiblir la concurrence.

Y a-t-il quelque chose de bon à l'intersection de la ML et des sciences du comportement ? Avec un astérisque qui met fortement en garde contre les utilisations mauvaises ou médiocres - ou contre le fait d'étiqueter inconsidérément la ML comme une panacée sans faille - la réponse est oui. Les solutions de sciences comportementales qui sont complétées par la ML peuvent mieux prédire quelles interventions seront les plus efficaces et pour qui. La ML peut égale^ment nous permettre de créer des nudges personnalisés pour mieux s'adapter à des populations vastes et hétérogènes.10 Ces nudges personnalisés pourraient faire des merveilles pour répondre aux doutes concernant la validité externe des essais contrôlés randomisés, un type d'expérience couramment utilisé dans les sciences du comportement pour déterminer quelles interventions sont efficaces et dans quelle mesure elles le sont. Il n'est pas nécessaire d'être idéaliste pour penser aux nombreux problèmes politiques urgents qui pourraient bénéficier de "nudges" précis. Qu'il s'agisse de prédire quels messages seront les plus percutants pour des individus spécifiques ou de recommandations de santé personnalisées basées sur notre constitution génétique unique, de nombreux domaines politiques sont des candidats appropriés pour ce type d'interventions.

Les avantages de l'utilisation de la ML pour améliorer les applications des sciences du comportement peuvent en effet l'emporter sur les risques de créer de mauvais résultats - et, peut-être de manière plus généralisée, des résultats médiocres. Pour que tout se passe bien, les sciences du comportement doivent jouer un rôle dans l'identification et la correction des préjugés néfastes qui influencent nos décisions et celles de nos machines intelligentes. Lorsque nous utilisons l'IA, nous devons rester fidèles à un principe clé des sciences du comportement : Les interventions doivent influencer notre comportement afin que nous puissions prendre de meilleures décisions pour nous-mêmes, sans interférer avec notre liberté de choix. Tout comme leurs créateurs, les machines intelligentes peuvent être partiales et imparfaites. Il est essentiel que nous en soyons conscients au fur et à mesure que le mariage entre les sciences du comportement et l'IA mûrit, afin que nous puissions utiliser ces outils à bon escient et de manière éthique.