Construction du comportement des modèles par des novices à travers l'interaction avec l'apprentissage automatique

Les systèmes d'apprentissage automatique (machine learning, ML) interviennent de plus en plus dans des domaines tels que le recrutement, la santé, la justice pénale et la modération de contenu. Bien qu'ils soient souvent présentés comme neutres ou objectifs, ces systèmes reproduisent fréquemment les inégalités mêmes qu'ils prétendent corriger. Ces préjudices ne sont pas de simples défaillances techniques, mais le reflet de dynamiques sociotechniques plus larges : les modèles encodent des normes dominantes façonnées par les données, les hypothèses et les pratiques institutionnelles à l'origine de leur conception. Pour aborder ces dynamiques, il faut dépasser les métriques de performance internes et s'intéresser à la manière dont le comportement des modèles se manifeste en contexte, notamment à travers l'interprétation et les réactions des utilisateurs dans des situations réelles. Cette thèse explore comment le comportement des modèles peut non seulement être analysé, mais aussi construit à travers l'interaction humaine avec des systèmes d'apprentissage automatique dans des contextes réels. Elle se concentre sur des utilisateurs novices, souvent exclus des processus formels de développement mais directement concernés par les décisions algorithmiques, et examine comment ces utilisateurs interprètent, évaluent et peuvent potentiellement façonner le comportement des modèles. Ancrée en interaction humain-machine (IHM) et informée par les sciences et technologies (STS) et l'éthique de l'IA, cette thèse adopte une approche centrée sur l'humain à travers deux études empiriques portant sur les phases de développement et de post-déploiement du cycle de vie des modèles ML. Ces études montrent comment l'interaction rend le comportement des modèles accessible à la réflexion, à la négociation et à la critique. La première étude introduit l'enseignement automatique interactif et collaboratif (Collaborative Interactive Machine Teaching), dans lequel de petits groupes d'utilisateurs novices entraînent un classificateur d'images à l'aide d'une plateforme web nommée TeachTOK. Les participants planifient des stratégies d'enseignement, sélectionnent des données d'entraînement et observent le comportement du modèle grâce à des retours en temps réel. Les résultats montrent que la collaboration facilite la négociation d'objectifs comme la diversité des représentations et la construction d'une compréhension partagée du comportement du modèle. La seconde étude explore l'audit d'algorithme dirigé par les utilisateurs (User-Driven Algorithm Auditing), une pratique de post-déploiement où des non-experts évaluent un modèle de génération de légendes d'images afin de détecter des biais de genre. En s'appuyant sur des modèles cognitifs de mise en sens (sensemaking), une interface d'audit a été conçue avec deux outils : l'un permettant la formulation d'hypothèses par manipulation des entrées, l'autre le regroupement des sorties pour faire émerger des motifs. Une étude en ligne a examiné comment les outils proposés influencent les biais identifiés, les hypothèses formulées et la confiance des utilisateurs dans leurs interprétations. À travers ces deux phases, la thèse montre comment l'interaction de novices avec des modèles ML contribue à la construction du comportement des modèles. Dans l'enseignement interactif, les participants façonnent ce comportement par l'enseignement et la négociation ; dans l'audit, ils identifient des préjudices et développent une lecture critique par une mise en sens itérative. Dans les deux cas, ils apportent des perspectives souvent absentes des approches conventionnelles. Ce travail apporte des contributions empiriques, techniques et méthodologiques qui ont le potentiel de soutenir des approches participatives et réflexives de l'apprentissage automatique au sein de l'IA centrée sur l'humain, et appelle à de futures recherches ancrées dans des pratiques durables, réelles et dirigées par les communautés.