Accueil🇫🇷Chercher

Psychométrie computationnelle

La psychométrie computationnelle est un domaine interdisciplinaire émergent qui au sens large désigne l'utilisation de l'informatique, de l'apprentissage automatique, de la modélisation et plus récemment de l'intelligence artificielle pour évaluer l'état psychologique d'une personne ou d'un groupe, éventuellement dans une situation particulière (par exemple d'apprentissage, de stress aigu[1], de catastrophe[2]), et le cas échéant pour agir (ou rétroagir) sur cet état par des stimuli (ou réponses) appropriés. La psychométrie computationnelle étudie ou manipule les rétroactions dites « exploitables » et significatives des individus. Ces rétroactions sont évaluées d'après des mesure et des analyses des différences inter-individuelles acquises dans des enquêtes portant sur des domaines spécifiques. Les usages de cette discipline posent pour certains des questions éthiques, car le profilage psychologique fin permis par ces nouveaux moyens peut être ensuite utilisé pour psychologiquement manipuler des personnes ou des groupes entiers.

Ce domaine fusionne celui de la psychométrie traditionnelle (avec ses bases et modèles théoriques d'apprentissage et avec les sciences cognitives) au domaine de la modélisation informatique ici basée sur l'intelligence artificielle (IA) appliqué à un apprentissage automatique à large échelle, à partir de grands ensembles de données (big data)[3].

Dans ce champ les données sont essentiellement biométriques et relatives à la psychologie d'individus ou de groupes.

Ce domaine intéresse notamment les sciences et domaines de l'apprentissage, de l'éducation[3], avec des concepts émergents tels que l'éducation numérique[4], l'apprentissage holistique[5], de l'évaluation psychologique, de l'évaluation des compétences, des connaissances et des capacités d'apprenants[6], ou encore dune éventuelle (future) aide aux élèves décrocheurs assistée par une IA.
Mais suite notamment à des usages détournés, malveillants et/ou irresponsables de cette discipline (par exemple secrètement mise au service de lobbys, de fraude électorale ou de stratégies d'influence) elle est également controversée.

Histoire

La Psychométrie computationnelle est une « discipline » récente, qui a émergé dans les années 2020 environ[7].

Elle résulte de plusieurs phénomènes apparus conjointement :

  • un accès de plus en plus facile Ă  de vastes ensembles de donnĂ©es psychomĂ©triques, dans des formats accessibles et de plus en plus interopĂ©rables ;
  • une forte croissance de la puissance informatique ;
  • une gĂ©nĂ©ralisation de l'accès aux application informatiques en cluster et dans le nuage ;
  • le dĂ©veloppement d'instruments de plus en plus sensibles de collecte d'informations biomĂ©triques ;
  • Ce contexte a permis l'analyse rapide de bases de donnĂ©es de plus en plus volumineuses et ainsi d'Ă©largir l'Ă©chelle et la portĂ©e des domaines d'enquĂŞte et de modĂ©lisation psychomĂ©triques traditionnels.

Multidisciplinarité

L'approche computationnelle de la psychométrie implique une mulipluridisciplinarité.
Les scientifiques impliqués ont une expertise en construction et gestion de base de donnée, en intelligence artificielle, apprentissage automatique, apprentissage profond et modélisation de réseaux neuronaux, traitement du langage naturel, mathématiques et statistiques, psychologie développementale et cognitive, informatique, science des données, sciences de l'apprentissage, réalité virtuelle et augmentée, et psychométrie traditionnelle .

Intelligence artificielle psychométrique

L' intelligence artificielle psychométrique (ou PAI) implique l'utilisation d'évaluations développées de manière psychométrique, telles que des tests d'intelligence et des tests de style de pensée, à résoudre de manière algorithmique par un agent artificiel. L'objectif de PAI est de mettre à l'épreuve les mécanismes de conception et de traitement proposés par les chercheurs en IA afin d'obtenir des connaissances à partir de systèmes cognitifs artificiels et naturels[8].

Applications

La psychométrie computationnelle est en évolution constante, avec les progrès de la puissance informatique et l'évolution de l'intelligence artificielle.

Elle intègre des composants théoriques et propose un grand nombre d'applications, par exemple basées sur la théorie de la réponse aux items, la théorie des tests classiques, les approches bayésiennes à la modélisation [9], l'acquisition de connaissances et la production de modèles psychométriques de réseau[10] - [11].

La psychométrie informatique étudie la base informatique de l'apprentissage et de la mesure des traits (compétences, connaissances, capacités, attitudes et traits de personnalité) via la modélisation mathématique, l'apprentissage intelligent et les systèmes virtuels d'évaluation[12].

La simulation informatique de données complexes à grande échelle permet de dépasser certaines des limites de la psychométrie traditionnelle.

Des travaux récents ont porté sur des constructions difficiles à mesurer, dont par exemple la résolution collaborative de problèmes[13] - [14] - [15] - [16] le travail d'équipe et la prise de décision.

La psychométrie computationnelle permet aussi d'évaluer la complexité sociale. Des concepts tels que les systèmes complexes et l'émergence sont pris en compte dans l'étude de l'assemblage et de la performance des équipes.

Dans les domaines de la recherche psychologique et médicale, des modèles informatiques basés sur des résultats expérimentaux améliorés par la technologie sont développés. Les domaines d'enquête actifs incluent par exemple les problèmes cognitifs, émotionnels, comportementaux, diagnostiques et de santé mentale, souvent en s'appuyant sur les capacités émergentes des capteurs biométriques et multimodaux, de la réalité virtuelle et augmentée, de l'informatique affective (affective computing en anglais, qui porte sur les techniques permettant de reconnaître, d’exprimer, de synthétiser et modéliser les émotions humaines)[17], etc.

Controverses

Depuis le scandale Facebook-Cambridge Analytica / AggregateIQ, et la mis à jour de la plateforme « intelligente » Ripon secrètement utilisée pour artificiellement orienter, les résultats des dizaine d'élections (ex. : élection de Donald Trump) et référendums (ex. : Brexit) dans le monde), certains les usages (et mésusages fréquents) de cette discipline sont controversés.

Diverses enquêtes journalistiques et institutionnelles ont montré que la psychométrie computationnelle a servi à fausser un grand nombre d'élections dans des dizaines de pays. En mars 2023, l'Unesco a proposé un moratoire sur le développement de l'intelligence artificielle.

Notes et références
  1. (en) Pietro Cipresso, Desirée Colombo et Giuseppe Riva, « Computational Psychometrics Using Psychophysiological Measures for the Assessment of Acute Mental Stress », Sensors, vol. 19, no 4,‎ , p. 781 (ISSN 1424-8220, DOI 10.3390/s19040781, lire en ligne, consulté le ).
  2. (en) Pietro Cipresso, Alessandro Bessi, Desirée Colombo et Elisa Pedroli, « Computational Psychometrics for Modeling System Dynamics during Stressful Disasters », Frontiers in Psychology, vol. 8,‎ , p. 1401 (ISSN 1664-1078, PMID 28861026, PMCID PMC5559530, DOI 10.3389/fpsyg.2017.01401, lire en ligne, consulté le ).
  3. (en) Alina A. von Davier, « Computational Psychometrics in Support of Collaborative Educational Assessments », Journal of Educational Measurement, vol. 54, no 1,‎ , p. 3–11 (DOI 10.1111/jedm.12129).
  4. (en) Alina A. von Davier et Pak Chung Wong, « The Argument for a “Data Cube” for Large-Scale Psychometric Data », sur Frontiers in Education, (ISSN 2504-284X, DOI 10.3389/feduc.2019.00071/full, consulté le ).
  5. (en) Alina A. von Davier, Benjamin Deonovic, Michael Yudelson et Stephen T. Polyak, « Computational Psychometrics Approach to Holistic Learning and Assessment Systems », Frontiers in Education, vol. 4,‎ (DOI 10.3389/feduc.2019.00069, lire en ligne, consulté le ).
  6. (en) Alina A. von Davier, Kristen DiCerbo et Josine Verhagen, « Computational Psychometrics: A Framework for Estimating Learners’ Knowledge, Skills and Abilities from Learning and Assessments Systems », dans Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment, Springer International Publishing, coll. « Methodology of Educational Measurement and Assessment », (ISBN 978-3-030-74394-9, DOI 10.1007/978-3-030-74394-9_3, lire en ligne), p. 25–43.
  7. (en) von Davier, A. A. (2015). Computational psychometrics. Invited presentation at the pre-conference workshop “Machine Learning in Education” at the International Conference of Machine Learning, Lille, France.
  8. (en) Selmer Bringsjord, « Psychometric artificial intelligence », Journal of Experimental & Theoretical Artificial Intelligence, vol. 23, no 3,‎ , p. 271–277 (DOI 10.1080/0952813x.2010.502314, S2CID 19947368).
  9. (en) Stephen T. Polyak, Alina A. von Davier et Kurt Peterschmidt, « Computational Psychometrics for the Measurement of Collaborative Problem Solving Skills », Frontiers in Psychology, vol. 8,‎ , p. 20–29 (PMID 29238314, PMCID 5712874, DOI 10.3389/fpsyg.2017.02029).
  10. (en) M. Marsman, D. Borsboom et J nom4=Epskamp Kruis, « An Introduction to Network Psychometrics: Relating Ising Network Models to Item Response Theory Models », Multivariate Behavioral Research, vol. 53, no 1,‎ , p. 15–35 (PMID 29111774, DOI 10.1080/00273171.2017.1379379).
  11. (en) Paul Irwing, Tom Booth et David J. Hughes, The Wiley Handbook of Psychometric Testing: A Multidisciplinary Reference on Survey, Scale and Test Development, John Wiley & Sons Ltd, (ISBN 978-1-118-48983-3, DOI 10.1002/9781118489772, lire en ligne).
  12. (en) Samuel Greiff, Dragan Gasevic et Alina A. von Davier, Using process data for assessment in Intelligent Tutoring Systems. A psychometrician's, cognitive psychologist's, and computer scientist's perspective, Army Research Laboratory, , 171–179 p. (hdl 10993/32037).
  13. (en) Innovative Assessment of Collaboration, coll. « Methodology of Educational Measurement and Assessment », (ISBN 978-3-319-33259-8, DOI 10.1007/978-3-319-33261-1).
  14. (en) Alina A. von Davier, Jiangang Hao et Patrick Kyllonen, « Interdisciplinary research agenda in support of assessment of collaborative problem solving: lessons learned from developing a Collaborative Science Assessment Prototype », Computers in Human Behavior, vol. 76, no November,‎ , p. 631–640 (DOI 10.1016/j.chb.2017.04.059).
  15. (en) Michael Flor, Su-Youn Yoon, Jiangang Hao et Lei Liu, « Automated classification of collaborative problem solving interactions in simulated science tasks », Proceedings of the 11th Workshop on Innovative Use of NLP for Building Educational Applications,‎ , p. 31–41 (DOI 10.18653/v1/W16-0504, S2CID 390510)
  16. (en) Michael Flor, Su-Youn Yoon, Jiangang Hao et Lei Liu, « Automated classification of collaborative problem solving interactions in simulated science tasks », Proceedings of the 11th Workshop on Innovative Use of NLP for Building Educational Applications, San Diego, CA, Association for Computational Linguistics, vol. W16-0504,‎ , p. 31–41 (DOI 10.18653/v1/W16-0504, S2CID 390510).
  17. (en) Pietro Cipresso, Aleksandar Matic, Dimitris Giakoumis et Yuri Ostrovsky, « Advances in Computational Psychometrics », Computational and Mathematical Methods in Medicine, vol. 2015,‎ , p. 418683 (PMID 26346251, PMCID 4539436, DOI 10.1155/2015/418683).

Voir aussi

Bibliographie
  • (en) Alina A. von Davier, Robert J. Mislevy et Jiangang Hao, « Introduction to Computational Psychometrics: Towards a Principled Integration of Data Science and Machine Learning Techniques into Psychometrics », dans Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment: With Examples in R and Python, Springer International Publishing, (ISBN 978-3-030-74394-9, DOI 10.1007/978-3-030-74394-9_1, lire en ligne), p. 1–6.
  • (en) Alina A. von Davier, Robert J. Mislevy et Jiangang Hao, Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment: With Examples in R and Python, Springer Nature, (ISBN 978-3-030-74394-9, lire en ligne).
  • (en) Pietro Cipresso, Daniela Villani, Claudia Repetto et Lucia Bosone, « Computational Psychometrics in Communication and Implications in Decision Making », Computational and Mathematical Methods in Medicine, vol. 2015,‎ , p. 1–10 (ISSN 1748-670X et 1748-6718, PMID 26339285, PMCID PMC4538966, DOI 10.1155/2015/985032, lire en ligne, consultĂ© le ).

Articles connexes
Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.