Le deep learning au service de la prédiction de l’orientation sexuelle dans l’espace public

Dossier : machines prédictives
Déconstruction d’une alerte ambiguë
Par Nicolas Baya-Laffite, Boris Beaude, Jérémie Garrigues
Français

L’alerte lancée en septembre 2017 à propos d’un algorithme susceptible de prédire l’orientation sexuelle des individus questionne le statut des « machines prédictives » et le rôle des sciences sociales dans de telles circonstances. Entre la revendication d’un retour à la physiognomonie à l’heure du deep learning, l’explication des performances à partir d’une théorie « biologisante » des origines de l’orientation sexuelle et l’annonce de la fin de la vie privée, cette recherche, menée sous la direction de Michal Kosinski, professeur de psychologie à Stanford, engage à ne pas laisser un tel débat au seul registre de l’éthique. Dans cet article, nous proposons d’interroger la pertinence de l’alerte lancée par Kosinski au regard de la controverse qu’elle a suscitée, tant elle se révèle pertinente pour examiner l’entrée des algorithmes prédictifs dans le débat public. Nous questionnons l’ambiguïté du statut de « lanceur d’alerte » que les auteurs assument pourtant explicitement, car l’examen critique de leur modèle prédictif révèle finalement son inaptitude à démontrer les origines hormonales prénatales de l’orientation sexuelle et à distinguer les orientations sexuelles des personnes dans l’espace public.

Mots-clés

  • alerte
  • apprentissage profond (deep learning)
  • faux positifs
  • machine learning
  • prédiction
  • reconnaissance faciale
  • orientation sexuelle
  • sciences sociales computationnelles
Voir l'article sur Cairn.info