Quel rôle pour l’intelligence artifificielle dans les sondages ?
Considéré comme un outil révolutionnaire en raison de sa force de frappe en matière d’algorithmes, le deep learning ne permet pas d’estimations quantitatives proches de la réalité
Dans le secteur des études en ligne, l’intelligence artificielle (IA) est de plus en plus utilisée dans l’analyse des verbatims (les questions ouvertes). Ces longs textes étaient auparavant codifiés par des humains qui opéraient des comptages de mots synonymes. Aujourd’hui, “nous possédons des capacités d’analyse des réponses aux questionnaires, mais également des commentaires laissés sur le Web et les réseaux sociaux. Ces importants volumes de données peuvent ainsi être plus facilement traités grâce à l’IA”, explique Philippe Guilbert, expert auprès de la commission études de Syntec Conseil et membre du Professional Standards Committee d’Esomar.
Cependant, si les algorithmes de l’IA permettent d’extraire, donc de mieux comprendre un certain nombre de données récurrentes, les enquêtes classiques quantitatives continueront d’être majoritaires dans le secteur des sondages d’opinion, “malgré les écarts et les critiques souvent légitimes”, pointe Philippe Guilbert. Pour lui, l’avenir des entreprises opérant dans le domaine des études en ligne dépend surtout de l’amélioration de leurs pratiques et des techniques des écarts et des biais. Les analyses qu’effectue l’IA fournissent de bonnes informations qualitatives mais ne permettent pas de réaliser, à ce stade, des estimations statistiques.
Par exemple, lors de la crise sanitaire, des masses abondantes d’informations ont été analysées sur les réseaux sociaux ou via les moteurs de recherche comme Google. “Cependant, pour estimer le nombre de gens touchés et récolter d’autres informations quantitatives, nous avons quand même été obligés de passer par des enquêtes réalisées par le biais d’échantillons représentatifs”, analyse-t-il. Considéré comme un outil révolutionnaire en raison de sa force de frappe en matière d’algorithmes, le deep learning ne permet donc pas d’estimations quantitatives proches de la réalité. “Malgré leurs imperfections, les échantillons représentatifs restent ainsi la méthode de référence compte tenu de l’obligation de récolter des réponses de personnes de différents profils”,