Gap analysis — capacité humaine × capacité IA
Esther Duflo × Forêts aléatoires
Essais randomisés en économie du développement et hétérogénéité des effets
Fiches comparées
Esther DufloCapacité humaine · SocialForêts aléatoiresCapacité IA · Data science / modèles prédictifsApport de l'IA
Les forêts aléatoires permettent d'explorer l'hétérogénéité des effets au sein d'un essai randomisé — quels sous-groupes réagissent, quelles variables importent — sur des données tabulaires hétérogènes et avec peu de réglage. Elles ne produisent aucune identification causale : celle-ci vient du protocole de randomisation lui-même, et le modèle extrapole mal hors du domaine des données, ce qui ne résout pas le problème de généralisation entre contextes.
Mécanisme
Agrégation de nombreux arbres entraînés sur des échantillons et attributs tirés aléatoirement, avec estimation de l'importance des variables et de l'erreur hors-sac sans jeu de validation séparé ; la fiche IA en fait le choix par défaut du domaine en industrie et une pratique installée dans le champ pharmaceutique, sans niveau de maturité chiffré.
Comment faire mieux
Prédéfinir les sous-groupes analysés pour éviter la pêche aux résultats ; corriger le biais des mesures d'importance en faveur des variables à nombreuses modalités ; compléter par des méthodes d'interprétation, l'agrégation de centaines d'arbres supprimant la lisibilité directe d'un arbre unique ; répliquer sur plusieurs contextes plutôt que d'extrapoler.
Mode d'interaction recommandé
Co-pilotage méthodologique : le modèle explore l'hétérogénéité, l'économiste décide du protocole et de l'interprétation causale ; canal environnements statistiques.
Substituabilité
Non remplaçable à horizon prévisible
Scénarios temporels
Présent
En 2026, les forêts aléatoires sont, selon la fiche IA, un choix par défaut sur données tabulaires, et les méthodes expérimentales servent déjà à évaluer l'impact réel d'interventions en éducation, santé et agriculture.
+5 ans
Si les données d'essais randomisés sont mutualisées entre contextes, l'analyse d'hétérogénéité pourrait aider à formuler des hypothèses sur les conditions de transférabilité d'un résultat local.
+15/20 ans
Spéculatif : sous l'hypothèse d'une accumulation massive d'essais comparables, la critique de non-généralisation pourrait être partiellement traitée empiriquement, sans que la validité causale cesse de dépendre du protocole expérimental humain.
Axes possibles (perspectives, pas des prédictions tranchées)
Mutualisation des données d'essais
Opinion majoritairePartage de données d'essais randomisés comparables permettant d'étudier empiriquement les conditions de transférabilité.
Limite de généralisation persistante
Consensus scientifiqueFrein documenté : la difficulté à généraliser un résultat local à d'autres contextes géographiques et institutionnels reste la principale critique de la méthode.
Évaluation expérimentale systématique de l'IA publique
Hypothèse prospectiveHypothèse d'une généralisation des essais randomisés pour mesurer l'impact réel des interventions d'IA dans les politiques de développement.
Sous-thèmes et axes de recherche
Sous-thèmes
- Identification causale par le protocole plutôt que par le modèle
- Analyse d'hétérogénéité et sous-groupes prédéfinis
- Transférabilité des résultats entre contextes institutionnels
Axes de recherche
- Quelles conditions rendent transférable un effet mesuré dans un contexte local précis ?
- Comment prévenir la pêche aux sous-groupes dans l'analyse d'hétérogénéité assistée ?
- Comment évaluer rigoureusement l'impact d'une intervention d'IA en politique de développement ?
Documents clés
- 1.Esther Duflo — Wikipédiasecondaire
- 2.Leo Breiman, « Random Forests », Machine Learning 45(1), 2001primaire
- 3.Forêt d'arbres décisionnels — Wikipédiasecondaire
Données brutes de cette analyse : /api/gap/esther-duflo-vs-forets-aleatoires — méthode de comparaison détaillée dans la méthodologie.