Skip to content

Tous les séminaires

Jeudi 15 juin 2017

Intervenants : Julien BOELAERT (Laboratoire SAGE, UMR CNRS 7363)

                 et Etienne OLLION (Laboratoire SAGE, UMR CNRS 7363)

Discutant : Julien DUVAL (CESSP-CSE, UMR 8209)

« Une révolution statistique ? Machine learning et prédiction en sciences sociales »

De 11h à 12h30, en salle 11 à l'ENSAE : 3 avenue Pierre Larousse à Malakoff (Tram T3: "Porte de Vanves" ou Métro 13 : "Porte de Vanves" ou "Malakoff Plateau de Vanves")

 

La statistique inférentielle est en crise, si l'on en croit la multiplication des articles méthodologiques très critiques, en sciences sociales comme en médecine et jusque dans les sociétés savantes de statistique. Les méthodes de machine learning, développées depuis plusieurs décennies à l'interface des statistiques et de l'informatique, sont alors régulièrement présentées comme une alternative crédible à la modélisation classique.

La présentation a pour but de présenter les principaux traits saillants des méthodes d'apprentissage automatique dans le contexte de la régression : la qualité de prédiction, les choix de modélisation, et les modalités d'interprétation. Une comparaison systématique avec la régression linéaire (généralisée) permet de souligner ce que ces méthodes peuvent (et ne peuvent pas) apporter en pratique aux statistiques en sciences sociales, et permet en retour de dénaturaliser certaines habitudes liées aux modèles linéaires. Elle permet par ailleurs de tempérer l'excès d'enthousiasme qui accompagne parfois la présentation des méthodes dites d'intelligence artificielle. Car si elles peuvent donner des résultats spectaculaires dans les applications technologiques, il semble qu'en sciences elles ne permettent le plus souvent d'affirmer que l'étendue de notre ignorance.

Ce séminaire est organisé par Nicolas ROBETTE (Laboratoire de sociologie quantitative-CREST)