L’une des choses qui facilitent l’élaboration des politiques dans le monde moderne est que nous en savons plus. Nous avons de meilleures informations sur les résultats, une meilleure compréhension de ce qui fonctionne et de ce qui ne fonctionne pas et, grâce aux progrès de la technologie, nous pouvons utiliser des algorithmes et l’apprentissage automatique pour prendre des décisions plus éclairées.
Mais des décisions mieux informées ne sont pas nécessairement les mêmes que de « meilleures décisions » et elles ne sont certainement pas les mêmes que des décisions « plus acceptables ».
Prenons, par exemple, le cas de Sean Hogg, à l’origine d’un récent conflit politique en Écosse. Hogg, qui à 17 ans a violé une fille de 13 ans, a été condamné à 270 heures de travaux d’intérêt général parce que, selon les directives écossaises en matière de détermination de la peine, les juges sont tenus de tenir compte de l’âge du délinquant.
Les lignes directrices en matière de détermination de la peine sont, à bien des égards, la forme « d’algorithme » la plus couramment utilisée dans les politiques publiques aujourd’hui, même si nous ne les concevons pas souvent de cette façon. Nous exécutons une série de points de données – la nature du crime, les circonstances de l’infraction, divers détails biographiques sur l’agresseur et la victime – dans la machine pour produire un ensemble d’options que le juge président doit considérer.
L’algorithme qui a produit le verdict de Hogg est une bonne étude de cas des défis plus larges liés à l’utilisation d’algorithmes dans les politiques publiques. Nous savons que de nombreuses prisons fonctionnent comme des « écoles de commerce » du crime : elles offrent des options de réseautage social et de mentorat et certaines personnes laisser des criminels plus graves than quand ils sont entrés. En tant que tel, nous avons de bonnes raisons vouloir éviter d’emprisonner les délinquants primaires dans la mesure du possible. Et nous savons aussi que bien qu’il n’y ait pas de règle absolue concernant le moment où notre cerveau est complètement développé ou que nous atteignons la « pleine maturité », il se produit généralement dans la vingtaine. Il y a donc de bons arguments pour infliger moins de peines de prison aux primo-délinquants, en particulier ceux qui n’ont pas atteint un certain âge.
Mais beaucoup d’entre nous ont le sentiment instinctif que même s’il faut généralement éviter d’envoyer des gens en prison tôt et bien qu’un jeune de 17 ans puisse prendre de pires décisions qu’il ne le ferait à 27 ans, tout viol, sans parler de celui d’un enfant, est un acte odieux. crime qui devrait entraîner des peines particulièrement sévères. Notre compréhension actuelle des données dit une chose, mais notre intuition morale en dit une autre.
Une réponse aux échecs politiques de ce type consiste à modifier l’algorithme : augmenter la durée de la peine ou démanteler ou affaiblir certaines des protections que nous avons mises en place en raison de l’âge. C’est en partie pourquoi la montée des algorithmes et des mégadonnées est passionnante pour les politiques publiques : nous pouvons mieux utiliser les preuves pour façonner notre élaboration des politiques et comprendre plus facilement pourquoi nous sommes parvenus à une conclusion que nous n’aimons pas.
Mais bien que les lignes directrices en matière de détermination de la peine soient un bon exemple de logique algorithmique dans les politiques publiques, elles sont à certains égards l’un des exemples les plus faciles. Nous avons toujours dû arbitrer entre la punition, la dissuasion, la maturité des contrevenants et la réhabilitation dans les peines criminelles. À bien des égards, la technologie donne à ces vieux débats un nouveau niveau de précision. Alors que les décideurs politiques ont longtemps été divisés sur le juste équilibre entre la responsabilité individuelle, la réduction globale de la criminalité et la justice pour des délits spécifiques, nous pouvons maintenant débattre de la pondération exacte à accorder à chacun : même si nous concluons que la réponse est « aucune » dans les cas comme chez Hogg.
Là où cela devient plus complexe, c’est lorsque nous avons de meilleures informations avec le potentiel de changer non seulement notre niveau d’information, mais aussi le débat sur les décisions que nous prenons. Nous savons, par exemple, que dans tout système de santé, il existe un degré de triage : les cliniciens décident de la viabilité d’un patient ou d’un autre, d’un receveur de don d’organes plutôt qu’un autre. Et si les données montraient que les personnes les plus aisées sont plus susceptibles de bénéficier d’un don d’organe, précisément en raison de leurs avantages économiques ? Devrions-nous inclure cela dans nos processus décisionnels ou non?
Le principal avantage de l’ère d’une meilleure information et de meilleurs outils pour la gérer est que nous pouvons, plus que jamais auparavant, quantifier les conséquences de nos choix. Mais cela ne change rien au fait que nous devrons souvent choisir entre des résultats que nous n’aimons pas, et que même si de nouvelles sources de données peuvent mieux nous informer, elles peuvent également façonner nos décisions d’une manière que nous n’aimons pas.
Une tentation pour les gouvernements sera d’avoir ces débats à huis clos : d’être vague sur ce que nous disent les données et de continuer à ajuster les algorithmes en privé. Mais l’un des avantages de l’ère des mégadonnées est la capacité de prendre des décisions de manière plus délibérative – pour discuter clairement des compromis impliqués. Cela vaut la peine de se battre.