Le deep learning au service de la prédiction de l'orientation sexuelle dans l'espace public: Déconstruction d'une alerte ambiguë

Détails

ID Serval
serval:BIB_DCFF9789FD4F
Type
Article: article d'un périodique ou d'un magazine.
Collection
Publications
Institution
Titre
Le deep learning au service de la prédiction de l'orientation sexuelle dans l'espace public: Déconstruction d'une alerte ambiguë
Périodique
Réseaux
Auteur⸱e⸱s
Baya Laffite Nicolas, Beaude Boris, Garrigues Jérémie
Statut éditorial
Publié
Date de publication
2018
Peer-reviewed
Oui
Langue
français
Résumé
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-clé
alerte, deep learning, prédiction, faux positifs, reconnaissances faciale, orientation sexuelle, sciences sociales computationnelles
Création de la notice
26/11/2020 17:10
Dernière modification de la notice
24/03/2021 7:25
Données d'usage