L'impulsion gouvernementale à l'ère des données massives (Big Data)

Cependant, le passage des revues de psychologie au monde réel n'est pas toujours facile. Pour déterminer quels sont les nudges qui fonctionnent réellement, il faut procéder par essais et erreurs : enregistrer les données, examiner les résultats et adapter les politiques en conséquence. En fait, l'une des critiques formulées à l'encontre du changement de comportement par le biais des nudges est que ces résultats sont trop spécifiques au contexte et ne peuvent pas être facilement reproduits dans des environnements différents.

Il faut reconnaître que les "essais et erreurs" ont très bien fonctionné. Il a été utilisé avec succès par des gouvernements du monde entier ; de la collecte des impôts aux urinoirs, le nudging a apporté des solutions comportementales à des problèmes sociaux.

Cependant, grâce à la science des données, l'avenir du nudging gouvernemental semble bien différent. Chaque année, la Behaviour Insights Team (BIT) - le département gouvernemental britannique chargé des sciences du comportement - publie un rapport sur l'utilisation des connaissances comportementales dans la politique britannique. Cette année, un élément crucial a été ajouté : le BIT a récemment créé une équipe chargée de la science des données, dont l'objectif est d'utiliser les dernières méthodes issues de la science des données, de l'apprentissage automatique et de l'analyse prédictive pour mettre en œuvre des politiques plus intelligentes.

Ce n'est guère surprenant ; étant donné la popularité croissante et l'application de la science des données et de la science du comportement, la combinaison des deux semble être la prochaine étape logique. En fait, les analyses de données sophistiquées ont le potentiel non seulement d'améliorer les connaissances comportementales, mais aussi de transformer la façon dont les gouvernements interagissent avec leurs citoyens.

Prenons l'exemple de l'apprentissage automatique. En termes simples, l'apprentissage automatique consiste à modéliser un algorithme pour trouver des modèles dans de très grands ensembles de données. Ces algorithmes consolident les informations et s'adaptent pour devenir de plus en plus sophistiqués et précis, ce qui leur permet d'apprendre automatiquement sans être explicitement programmés.

L'application de ces techniques par le TBI a été relativement modeste, mais les résultats sont extrêmement prometteurs. Le premier essai majeur a consisté à tenter de résoudre un problème de circulation routière dans l'East Sussex, un petit comté situé sur la côte sud du Royaume-Uni. Pour une raison quelconque, l'East Sussex a un nombre disproportionné de collisions mortelles (64 % de plus que la moyenne nationale). Face à ce problème, le conseil local a mis en œuvre un certain nombre d'initiatives en matière de sécurité routière pour tenter de réduire les excès de vitesse, encourager la concentration au volant et fournir aux usagers de la route des informations promouvant une conduite plus sûre.

L'année dernière, le TBI a tenté de résoudre ce problème grâce à la science des données. Des algorithmes basés sur plus de dix ans de collecte de données locales ont permis au TBI de faire des prédictions extrêmement précises sur les types de conducteurs les plus susceptibles d'être impliqués dans des accidents de la route graves. Par exemple, ils ont découvert qu'une collision entre une personne de plus de 65 ans et un conducteur plus jeune est plus susceptible d'entraîner un décès si le conducteur "plus jeune" est âgé de 40 à 50 ans. Après tout, des modèles comportementaux auparavant imperceptibles comme ceux-ci peuvent être trouvés dans des ensembles de données suffisamment importants. Plus important encore, cela a permis au TBI de mieux concevoir et cibler les initiatives de sécurité routière - afin de fournir les bonnes interventions comportementales aux bonnes personnes.

Pour l'instant, ces modèles n'ont été appliqués qu'à des initiatives de sécurité routière à petite échelle, mais leur potentiel pour résoudre des problèmes sociaux majeurs est évident. La quantité de données que nous accumulons, individuellement et en tant que société, est stupéfiante : en fait, nous générons plus de données collectées tous les deux jours que nous ne l'avons fait dans toute l'histoire de l'univers jusqu'en 2003. Toutes nos interactions en ligne, l'historique de nos achats, nos dossiers médicaux, nos informations gouvernementales - tout cela laisse une empreinte numérique. Lorsque les ensembles de données sont aussi importants, les prédictions comportementales peuvent être d'une précision étonnante. Michal Kosinski a déjà utilisé les empreintes numériques laissées lors de l'utilisation de plateformes et d'appareils en ligne pour étudier et anticiper le comportement humain et les traits psychologiques. Ses modèles ont permis de prédire les traits psychologiques, le comportement, la sexualité et même le choix des électeurs.

Quel est le lien avec l'amélioration de l'élaboration des politiques ? Comme l'a montré le TBI, au lieu d'appliquer et de réappliquer des nudges sous forme de "meilleures suppositions", les gouvernements peuvent adapter des nudges comportementaux très spécifiques et personnalisés aux individus et aux petits groupes. Si Kosinski et son équipe peuvent faire des prédictions extrêmement précises sur les préférences privées d'un individu à partir d'une quantité relativement limitée de données de médias sociaux, imaginez la précision avec laquelle les gouvernements pourraient concevoir et cibler les bons nudges comportementaux.