Opérationnalisation du cadre conceptuel

Le tableau 2.1 résume les aspects théoriques évoqués et explique quelles questions seront posées afin d’opérationnaliser : 1- l’étude des processus de transformation de l’information en ensemble de données et 2- l’analyse des données (« outputs ») produites par le système.

Tableau 2.1 Résumé du cadre conceptuel

Analyse du processus

Question posée Justification épistémique

Importance de la question 1. Quels sont les objectifs épistémiques

explicitement/implicitement identifiés par les organisations?

2. Considérant la rationalité instrumentale et le but des organisations, est-ce que les tâches épistémiques choisies sont importantes et ordonnancées?

Dans un contexte aux ressources limitées, il est essentiel d’identifier les questions les plus importantes quant à notre objectif afin de les prioriser. Cette priorisation doit se faire sur la base d’arguments rationnels. (Bishop et Trout 2005, Weber 1904)

Fiabilité Répartition de la tâche épistémique

Modularité

1. La tâche épistémique est-elle divisée en différents formats d’engagement (ex. : long, moyen, court)?

2. Est-ce que différents types de tâches existent (ex. : pour les experts/ pour les profanes)?

Points 1&2 : Capacité de changement d’échelle (Simon 2010; Watson et Floridi 2016).

Intégration des apports individuels :

1. Les mécanismes d’intégration sont-ils simples? 2. Est-ce que plusieurs types de mécanismes

d’intégration existent (ex. : capacité du système à intégrer des apports provenant de différents formats de fichier)?

Point 1 : La simplicité réduit les chances d’erreurs non intentionnelles au moment de l’intégration. Point 2 : Capacité de changement d’échelle (Simon 2010; Watson et Floridi 2016).

Critères de communication entre les agents humains Conscientisation : Est-ce qu’un groupe d’agents a connaissance de l’existence d’un système visant à accomplir une tâche épistémique?

Le savoir est un processus social, ce processus nécessite un espace connu et utilisé à des fins épistémiques par la communauté (« venues for criticism », Longino 2002c).

Compétence : Le système possède-t-il un mécanisme visant à évaluer la compétence des agents participant à la tâche épistémique?

Le savoir est un processus social, mais cela n’implique pas que tous les agents ont une légitimité équivalente dans la réalisation de la tâche (« tempered equality of intellectual authority », Longino 2002c).

Diversité : Est-ce que le groupe d’agents participant à la SEI est diversifié (ex. : compétences, origines sociales, provenance, etc.)?

La diversité des agents réduit les risques de retrouver des biais dans les éléments produits par le système (Solomon 2001).

Critique/boucle de rétroaction :

1. Est-ce que les apports des agents sont réellement pris en compte dans la création de savoirs? En d’autres mots, l’ouverture aux apports est-elle plus qu’un simple exercice de communication? 2. Est-ce que ce qui est considéré par le système

comme du savoir peut être soumis à la critique des agents?

Points 1 & 2 : Pour que du savoir soit créé, les apports des agents individuels doivent être soumis à la critique d’une communauté (grâce à un système sociotechnique). Une fois ce processus passé avec succès à un temps t, l’apport de l’agent devient du savoir. Toutefois, le savoir n’est pas absolu et peut être actualisé, critiqué ou changé à un temps t+1 (« uptake of criticism», Longino 2002c).

Normes de la communication :

1. Est-ce que des normes relatives à l’inférence, aux valeurs épistémiques ou à la discussion en vue d’accomplir la tâche existent et sont partagées par les agents?

2. Quels sont les mécanismes de révision de ces normes?

Points 1 & 2 : Pour que le processus social créant du savoir soit possible, des normes doivent exister afin de permettre aux avantages épistémiques offerts par le changement d’échelle et la diversité de se déployer pleinement. Ces normes ne sont pas absolues et pourraient être changées (« public standards», Longino 2002c).

Attribution de l’autorité épistémique sur la base d’une confiance justifiée Confiance et agents non humains :

1. Est-ce que les algorithmes utilisés pour mesurer certains concepts relatifs à l’attribution de la confiance (ex. : compétence ou réputation) sont transparents et compréhensibles?

2. Est-ce que les critères d’attribution de la confiance de l’algorithme reposent sur des indicateurs proximaux valides?

3. Est-ce que la fiabilité de l’algorithme a été démontrée empiriquement dans plusieurs contextes?

Point 1 : Un algorithme transparent et compréhensible peut être soumis à une révision par les experts ou la foule (Simon 2010). Cela pourra réduire les chances d’erreurs de programmation ou dans l’utilisation des statistiques.

Point 2 : L’évaluation de la validité peut réduire les risques d’injustices épistémiques causées par des biais dans la structure de l’algorithme (Simon 2010).

Confiance et agents non humains/humains : Quelle est la valeur des données produites du point de vue des règles statistiques de base?

Le respect des règles statistiques dans la production est généralement associé à la fiabilité d’une donnée.

Confiance et agents humains :

1. Est-ce que les mécanismes sociaux d’attribution de la confiance sont transparents et compréhensibles?

2. Est-ce que des mécanismes sociaux existent afin de réduire l’impact sur la tâche épistémique de biais individuels (ou de groupe) non intentionnels?

3. Est-ce que la confiance placée dans l’expert ou le profane pour l’accomplissement d’une tâche épistémique est justifiée lorsque l’on considère les apports de la littérature à ce sujet?

4. Est-ce que des mécanismes sociaux existent afin de réduire l’impact sur la tâche épistémique de biais individuels (ou de groupe) intentionnels?

Point 1 : Comme les savoirs sont situés, il est important que la structure sociale ne comporte pas de biais empêchant de récolter des contributions fiables (Simon 2010).

Point 2 : La fatigue et le stress (souvent rencontrés en urgence) augmentent les risques de biais cognitifs. Il existe des moyens empiriquement démontrés capables de réduire les biais afin que les ensembles de données représentent convenablement l’information (Croskerry, Singhal, and Mamede 2013).

Point 3 : La littérature identifie certaines tâches épistémiques pour lesquelles l’expert peut prétendre à une fiabilité et une efficience plus grande que celle du profane (Kahneman et Klein 2009; Beauchamp et Dubé 2018).

Point 4 : Cette question ne sera pas posée relativement à mon étude de cas33_.

Motivation des agents humains

1. Est-ce que le travail lié à la SEI est relatif à une cause noble?

2. Est-ce que le processus de la SEI est transparent sur ses buts, ses moyens et sa structure?

3. Est-ce qu’un système de crédits est lié à la modularité des tâches?

4. Est-il possible que la tâche épistémique soit effectuée unilatéralement par quelques agents?

Points 1 à 4 : Les processus sociaux sont au cœur de la réalisation de tâches épistémiques. Ces processus reposent sur la participation et cette dernière est dépendante de la motivation des agents (Simon 2010).

33 _{D’une part, parce qu’un contexte de catastrophe naturelle se prête probablement moins aux risques liés aux biais} intentionnels (comparativement à un contexte de guerre). D’autre part, parce que je ne considère pas avoir consulté la littérature nécessaire à accomplir convenablement cette tâche, c’est là une faiblesse du cadre conceptuel.

Efficience Considérant les bénéfices, est-ce que les couts investis en ressources dans la réalisation de la tâche épistémique semblent raisonnables? Si oui, pourquoi? Sinon, est-ce possible de les rendre raisonnables?

Dans un contexte aux ressources limitées, il est important de balancer les couts par rapports aux bénéfices (Bishop et Trout 2005).

Considérant l’efficience des approches grâce à une analyse couts (ressources investies) / bénéfices (réponses fiables à des questions significatives), est-ce qu’il serait possible d’augmenter l’excellence épistémique en combinant les deux approches?

Note : Cette analyse doit se faire à la toute fin de l’étude de cas, car elle demande de récolter les données relatives à l’importance, à la fiabilité et aux couts.

L’excellence épistémique implique d’accorder judicieusement les ressources disponibles à des stratégies de raisonnement fiables portant sur des questions significatives (Bishop et Trout 2005). La mise en commun des ressources pourrait avoir un effet positif sur l’excellence épistémique des deux organisations en attribuant les tâches aux deux approches sur la base de leurs forces et des faiblesses épistémiques.

Analyse des données produites par le système

Question posée Justification épistémique

Quelle est la performance épistémique des deux organisations quant à la sensibilité?

Sensibilité : l’excellence épistémique implique d’avoir une connaissance complète d’une

situation afin d’intervenir de manière appropriée.

Quelle est la performance épistémique des deux organisations quant à la vitesse?

Vitesse (Goldman 1999)

Quelle est la performance épistémique des deux organisations quant à la précision?

Précision : l’excellence épistémique implique que le taux de précision (données fiables sur données totales) soit maximisé. Un des moyens pour y parvenir est d’être capable de reconnaitre les données non fiables.