Comment représenter l'espace social ? Théorie géométrique de données et machine learning
Comment représenter l'espace social ? Théorie géométrique de données et machine learning
- Illustration : Scikit-learn (Andreas Muller)
Séminaire scientifique de l'OSC 2016-2017
98, rue de l'Université 75007 Paris - salle Annick Percheron
vendredi 20 janvier 2017 de 11h30 à 13h
Comment représenter l'espace social ?
Théories des champs, analyse géométrique de données, et machine learning
La diffusion des techniques de machine learning (apprentissage automatique) a donné lieu à d’intenses discussions. Ses promoteurs vantent la flexibilité des techniques d’apprentissage : comparaison après comparaison, ils montrent que leurs capacités prédictives et descriptives sont bien supérieures à celles de ce qu’ils nomment les « statistiques classiques ». En retour, les défenseurs des dernières soulignent que ces « nouvelles » méthodes fournissent des résultats difficilement interprétables et répondent à des questions que ne se posent que rarement les scientifiques.
L’objectif de cette présentation n’est pas d’apporter une réponse définitive à ces questions, mais plutôt, sur un objet précis, de souligner les mérites et les limites de ces approches sur un sujet classique de sciences sociales : la représentation (quantifiée) d’un espace social. Pour ce faire, elle propose en s’appuyant sur les données d’une enquête en cours sur le champ politique français une comparaison terme à terme des techniques d’analyse géométrique de données et d’apprentissage non supervisé. Elle montre en quoi le recours à ces méthodes peut nous permettre d’enrichir notre boite à outils méthodologique, mais aussi et peut être surtout à dénaturaliser nos manières de décrire l’espace social et à les compléter.
Julien Boelaert, chercheur contractuel
Etienne Ollion, chargé de recherche CNRS
Sage - Sociétés, Acteurs, Gouvernement en Europe, Université de Strasbourg (UMR 7363)
Entrée libre sur inscription préablable auprès de Marie Ferrazzini.