Big Data, intelligence artificielle et prévention du suicide

Morch, Carl Maria (2019). « Big Data, intelligence artificielle et prévention du suicide » Thèse. Montréal (Québec, Canada), Université du Québec à Montréal, Doctorat en psychologie.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (15MB)

Résumé

Les objectifs de cette thèse sont de présenter : - les différentes utilisations actuelles du Big Data et de l'Intelligence Artificielle en prévention du suicide; - les enjeux éthiques associés à l'utilisation et au déploiement de ces technologies en prévention du suicide; - un outil éthique, validé, pour aider ceux qui voudraient utiliser ces technologies à prendre des décisions en connaissance des risques potentiels. Cette thèse est composée de trois articles. Le premier article est une étude de portée par recension systématique des écrits. Elle a consisté à explorer les bases de données informatiques, de sciences humaines, de psychologie et biomédicales. Son but était un aperçu étendu des utilisations actuelles en prévention du suicide. Elle a suivi le protocole PRISMA afin de répondre aux standards les plus rigoureux en matière de recension des écrits. Après la collecte de données, 4891 articles ont été filtrés. Ce sont finalement 58 études qui ont été codifiées par une équipe de recherche, soumises à un interjuge, puis analysées. Les résultats de cette étude de portée montrent que Big Data et Intelligence Artificielle sont aujourd'hui autant utilisés. La plupart des études provenaient de pays anglophones. Les études étaient de nature hétérogène. Les techniques prédominantes en Intelligence Artificielle étaient l'apprentissage machine (Machine Learning) et le Natural Language Processing (NLP). Les techniques prédominantes en Big Data étaient l'analyse de média sociaux (type Twitter) ou de recherches Internet (type Google). La plupart des études recensées portaient sur de l'analyse linguistique et de l'infoveillance. Les sources principales de données étaient les dossiers médicaux électroniques. Plus de 75% des articles ne comportaient pas de mention d'enjeux éthiques. Le deuxième article a consisté à analyser 10 rapports internationaux en matière d'éthique et d'intelligence artificielle. Une équipe a extrait 329 recommandations. À partir de celles qui pouvaient s'appliquer au domaine de la santé, une liste de contrôle (checklist) a été consolidée (en 42 items). Cette liste a été soumise à un processus de consultation Delphi en deux rondes, auprès d'un panel international de 16 experts et professionnels. La consultation a permis d'aboutir à une liste finale de 38 items, répartis en quatre catégories : "Description du Système Intelligent Autonome", "Vie privée et transparence", "Sécurité", "Risques en Santé", "Biais". Le troisième article a synthétisé les discussions éthiques trouvées dans les articles de l'étude de portée (article 1). Des recommandations ont été formulées à partir de la littérature en éthique, Big Data, Intelligence Artificielle et santé mentale. Cette étude tend à montrer que nous sommes dans une phase d'adoption enthousiaste de ces technologies en prévention du suicide. Elles sont jugées très prometteuses mais aussi porteuses de nombreux défis éthiques, sociaux et scientifiques. Les recommandations appellent à davantage de transparence dans les publications sur les défis éthiques rencontrés, davantage de clarté dans le processus de traitement et d'analyse des données. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Big Data, Artificial Intelligence, Suicide Prevention, Machine Learning, Ethics

Type:	Thèse ou essai doctoral accepté
Informations complémentaires:	La thèse a été numérisée telle que transmise par l'auteur.
Directeur de thèse:	Mishara, Brian
Mots-clés ou Sujets:	Prévention du suicide / Données volumineuses / Intelligence artificielle / Aspect moral
Unité d'appartenance:	Faculté des sciences humaines > Département de psychologie
Déposé par:	Service des bibliothèques
Date de dépôt:	25 juin 2020 16:16
Dernière modification:	25 juin 2020 16:16
Adresse URL :	http://archipel.uqam.ca/id/eprint/13377

Modifier les métadonnées (propriétaire du document)

Statistiques