Gap analysis — capacité humaine × capacité IA
James M. Buchanan × Arbres de décision
Règles explicites de décision publique et contrôle des décideurs
Fiches comparées
James M. BuchananCapacité humaine · SocialArbres de décisionCapacité IA · Data science / modèles prédictifsApport de l'IA
Un arbre de décision expose la règle qu'il applique sous forme d'une séquence de conditions lisibles, ce qui répond directement à l'exigence buchananienne de règles explicites contraignant les décideurs plutôt que de leur supposer une recherche désintéressée de l'intérêt général. La transparence obtenue est réelle mais partielle : le choix des variables et des seuils reste une décision discrétionnaire, seulement déplacée en amont.
Mécanisme
Classification ou régression par une suite de règles de décision interprétables, capables de modéliser des interactions non linéaires sans transformation préalable des données ; instabilité connue, une petite variation des données pouvant produire un arbre sensiblement différent.
Comment faire mieux
Publier conjointement la règle, les données qui l'ont produite et la procédure de révision rendrait la décision publique auditable dans le sens que la théorie du choix public appelle, sans supprimer la question de savoir qui fixe les seuils.
Mode d'interaction recommandé
Règle publiée et décision humaine : le système formalise le critère, l'autorité l'assume et en répond devant les citoyens.
Substituabilité
Remplaçable avec supervision humaine
Scénarios temporels
Présent
Ces modèles sont couramment déployés dans des usages gouvernementaux et industriels, où leur lisibilité constitue leur principal avantage sur des méthodes plus performantes mais opaques.
+5 ans
Usage croissant des modèles interprétables là où la motivation de la décision est une obligation, plutôt que des méthodes d'ensemble plus précises.
+15/20 ans
La lisibilité algorithmique ne clôt pas le débat : l'hypothèse systématique d'intérêt personnel des acteurs publics reste contestée, une part des critiques soulignant le rôle réel de motivations civiques et idéologiques.
Axes possibles (perspectives, pas des prédictions tranchées)
Priorité aux modèles interprétables en décision publique
Opinion majoritaireAdoption préférentielle de modèles lisibles dès qu'une obligation de motivation s'applique à la décision.
Statu quo mixte
Opinion majoritaireLes administrations continuent d'arbitrer au cas par cas entre performance et lisibilité, sans doctrine stabilisée.
Constitutionnalisation des règles algorithmiques
Hypothèse prospectiveLes règles de décision publiques automatisées seraient soumises à une procédure d'adoption et de révision de rang constitutionnel, prolongeant le programme de The Calculus of Consent.
Sous-thèmes et axes de recherche
Sous-thèmes
- Interprétabilité comme condition d'auditabilité de la décision publique
- Déplacement de la discrétion vers le choix des seuils
- Instabilité des arbres et robustesse des règles publiées
Axes de recherche
- Procédures de publication et de révision des règles algorithmiques publiques
- Comparaison interprétabilité / performance sur des décisions administratives réelles
- Exposition des règles publiées au lobbying et à la capture réglementaire
Documents clés
- 1.James M. Buchanan — Wikipédiasecondaire
- 2.Arbre de décision (apprentissage) — Wikipédiasecondaire
Données brutes de cette analyse : /api/gap/buchanan-vs-arbres-de-decision — méthode de comparaison détaillée dans la méthodologie.