Représentation exacte

La représentation exacte (Accurate representation) est un aspect crucial de la science des données et de leur présentation, et elle consiste à présenter les données d'une manière qui reflète authentiquement l'information sous-jacente. Cela implique de s'assurer que les données ne sont en aucun cas déformées ou manipulées, et que les conclusions reposent sur des données fiables et valides. Du point de vue d'un scientifique des données, la représentation exacte comprend cette séquence d'étapes :

1. Comprendre les données. Avant de visualiser des données ou d'en rendre compte, un scientifique des données doit en avoir une compréhension approfondie, y compris de leurs sources, de leurs limites et de leurs biais potentiels.
2. Choisir des visualisations appropriées. Les données peuvent être présentées de diverses manières, telles que des graphiques, des diagrammes, des tableaux ou des cartes. Un scientifique des données doit choisir la méthode de visualisation la plus adaptée qui représente fidèlement les données et communique efficacement les résultats.
3. Éviter les biais et la manipulation. Les scientifiques des données doivent éviter de manipuler les données ou d'effectuer une sélection partiale (« cherry-picking ») pour appuyer un récit ou un objectif particulier. Cela peut mener à des résultats biaisés et à des erreurs d'interprétation pouvant avoir de graves conséquences.
4. Vérifier et valider les données. Les scientifiques des données doivent garantir l'exactitude et la validité des données avec lesquelles ils travaillent. Cela implique de recouper les données provenant de sources multiples et d'en vérifier l'authenticité.
5. Attribuer correctement les données. Mentionner les sources des données et les citer correctement est un aspect important de la représentation exacte. Cela favorise la transparence et la responsabilité dans la présentation des données.

Lors de la présentation des résultats, les scientifiques des données doivent faire preuve de transparence quant aux données collectées et à la façon dont elles ont été utilisées. Ont-ils obtenu le consentement éclairé des personnes avant de recueillir leurs données ? Quelles mesures ont été prises pour garantir la qualité et la fiabilité des données ? De plus, à mesure que les données et les algorithmes se complexifient, il peut être difficile de comprendre le sens des résultats. Le manque de transparence peut susciter du scepticisme à l'égard des résultats et du processus de prise de décision. Les analystes de données et les modélisateurs doivent présenter leurs stratégies et leurs résultats de manière claire et lisible.

Exemple 8.8

Problème

Une équipe de scientifiques des données est chargée de mener une analyse complète de la performance commerciale d'une entreprise. Pour fournir une évaluation exacte des tendances et des modèles, l'équipe recueille des données auprès de diverses sources. Le premier scientifique des données présente un graphique illustrant la tendance des ventes de l'entreprise au cours de l'année écoulée, y compris toutes les valeurs aberrantes identifiées, comme le montre la Figure 8.5. En revanche, un second scientifique des données choisit de masquer dans le graphique certains points de données correspondant à des chiffres de ventes inférieurs, comme le montre la Figure 8.6. Choisissez et commentez la représentation des données la plus appropriée. Quel scientifique des données présente une visualisation plus précise et représentative de la performance commerciale de l'entreprise ?

Figure 8.5 Présentation du premier scientifique des données

Figure 8.6 Présentation du second scientifique des données

1. Le second scientifique des données choisit de retirer du graphique les valeurs aberrantes de faibles ventes. Cette approche peut être utile dans certains cas, par exemple lorsque les données sont extrêmement asymétriques et que les valeurs aberrantes influent considérablement sur la tendance générale des données. Le premier scientifique des données choisit d'inclure tous les points de données, y compris les valeurs aberrantes, dans son graphique. Cela signifie que le graphique du premier scientifique des données inclut des valeurs inhabituelles ou extrêmes susceptibles de conduire à des interprétations et des décisions trompeuses.
2. La présentation la plus exacte est la première, qui inclut tous les points de données sans aucune exclusion. En excluant les points de faibles ventes, le second scientifique des données ne présente pas une vue d'ensemble complète, ce qui peut mener à des conclusions trompeuses et à des décisions fondées sur des informations incomplètes. De plus, l'hypothèse est que les points de faibles ventes sont des mesures authentiques et peuvent donc ne pas être en réalité des valeurs aberrantes aléatoires.
3. En termes d'exactitude, il est difficile de dire quelle présentation est la plus exacte. En général, il est important d'examiner attentivement l'impact des valeurs aberrantes avant de décider de les inclure ou non dans l'analyse des données. Cependant, s'il existe des erreurs ou des irrégularités manifestes dans les données, il peut être approprié de les supprimer afin d'éviter qu'elles ne faussent les résultats. En fin de compte, les deux approches ont leurs mérites et leurs limites.
4. Le second scientifique des données choisit de retirer les valeurs aberrantes des données et n'inclut que les points de données qui s'inscrivent dans une certaine plage. Cela se traduit par une tendance plus nette et plus cohérente sur le graphique, car les valeurs aberrantes n'apparaissent pas pour fausser les données. Toutefois, la suppression des valeurs aberrantes peut empêcher la représentation exacte d'informations importantes sur la performance commerciale.

Solution

La réponse correcte est B. La présentation fournie par le premier scientifique des données est jugée plus précise, car elle offre une représentation globale et impartiale de la tendance des ventes. Cela permet une compréhension approfondie de la performance commerciale et de tout schéma perceptible. Au contraire, la présentation du second scientifique des données peut donner l'illusion d'une tendance positive des ventes, mais elle ne parvient pas à dépeindre fidèlement le jeu de données complet. L'omission des points de faibles ventes peut déformer les données et potentiellement conduire à des conclusions erronées. De plus, le fait d'écarter des points de données va à l'encontre du principe de transparence dans l'analyse des données. Les scientifiques des données doivent présenter l'ensemble du jeu de données et exposer fidèlement les tendances et les schémas existants, plutôt que de manipuler les données pour appuyer un récit souhaité. En outre, la suppression de points de données sans mention explicite dans le graphique enfreint les principes éthiques de l'analyse des données.

Exemple 8.9

Problème

Deux analystes de données experts ont construit les diagrammes à barres présentés dans la Figure 8.7 et la Figure 8.8, illustrant les parts de marché de diverses marques de boissons gazeuses présentées dans le Tableau 8.1. Chaque barre est clairement étiquetée avec le nom de la marque respective et le pourcentage correspondant, offrant ainsi une représentation simple et exacte des données. Lequel des deux analystes de données experts a représenté avec exactitude les parts de marché des marques de boissons gazeuses dans son diagramme à barres ? Expliquez la différence entre les deux figures et les conséquences potentielles de chaque présentation.

Boisson gazeuse	Part de volume (%)
Coca-Cola	18.6%
Pepsi	9.1%
Diet Coke	8.0%
Dr. Pepper	7.5%
Sprite	7.2%
Mountain Dew	7.0%
Diet Pepsi	3.5%
Coke Zero	2.8%
Fanta	2.4%
Diet Mountain Dew	2.1%

Tableau 8.1 Industrie mondiale des boissons gazeuses, 10 premières marques en 2019, par part de volume
(source : https://www.wm-strategy.com/news/soft-drinks-industry-trends-and-size)

Figure 8.7 Graphique A : Représentation de l'analyse du premier scientifique des données

Figure 8.8 Graphique B : Représentation de l'analyse du second scientifique des données (part de marché en %)

Solution

Le premier scientifique des données, qui a produit le graphique A dans la Figure 8.7, a représenté efficacement les noms de marques et leurs pourcentages respectifs de part de marché, en utilisant un étiquetage et une mise à l'échelle corrects des axes. Cela facilite l'interprétation et la comparaison des données. Le second scientifique des données, qui a produit le graphique B présenté dans la Figure 8.8, a gradué l'axe vertical de 0 à 100, ce qui rend plus difficile l'observation de petites différences de pourcentage. De plus, le graphique B n'étiquette pas les axes horizontal et vertical avec un niveau de détail équivalent, ce qui peut entraîner une confusion inutile, même si les étiquettes visées peuvent sembler claires d'après le contexte.

Exemple 8.10

Problème

Un scientifique des données d'un institut de recherche en soins de santé analyse les effets d'un nouveau médicament sur une maladie spécifique. Après avoir recueilli des données issues de multiples essais cliniques, le scientifique a résumé les résultats dans le Tableau 8.2 et créé un histogramme pour montrer la distribution des participants selon différentes tranches d'âge, comme le montre la Figure 8.9. Le scientifique a inclus des intervalles d'âge de 18–25, 26–36, 37–46, 47–56, 57–66 et 67+ dans le graphique. Pour offrir une compréhension complète des données, quelle information supplémentaire devrait être incluse ?

1. Le pourcentage de participants dans chaque groupe pour représenter fidèlement la proportion de participants dans chaque tranche d'âge
2. Le nombre total de participants pour démontrer la portée des résultats
3. Le nombre de participants dans chaque tranche d'âge pour une vue d'ensemble complète des données
4. Les options A, B et C devraient toutes être incluses dans le graphique

Âge	Participants
18–26	100
27–36	120
37–46	107
47–56	71
57–66	89
67+	113

Tableau 8.2 Données statistiques sur les participants aux essais cliniques

Figure 8.9 Informations insuffisantes sur les participants aux essais cliniques

Solution

La réponse correcte est D. C'est le choix le plus approprié, car la présentation des résultats doit être améliorée pour décrire fidèlement les données. Cela comprend l'indication claire du pourcentage et du nombre total de participants dans chaque groupe ainsi que le nombre global de participants, comme l'illustre la Figure 8.10. Voir Inférence statistique et intervalles de confiance pour un rappel de l'importance et des implications de l'exactitude et de la confiance en lien avec la fiabilité des données et les processus de prise de décision.

Figure 8.10 Données sur les participants aux essais cliniques

Attribution des sources de données

L'attribution des sources de données (Data source attribution) est la pratique essentielle consistant à identifier clairement et à mentionner les sources utilisées dans les visualisations et la présentation des données. Il incombe au scientifique des données de respecter ces principes et de présenter les données d'une manière à la fois transparente et éthique. L'attribution des sources de données est requise pour plusieurs raisons :

1. Exactitude et crédibilité. L'attribution garantit que les données utilisées dans les visualisations et les présentations sont exactes et fiables. En indiquant clairement les sources, toute erreur ou tout biais potentiel dans les données peut être identifié et corrigé, renforçant ainsi la crédibilité des informations présentées.
2. Confiance et transparence. Divulguer les sources des données favorise la confiance et la transparence entre producteurs et consommateurs de données. Cela est particulièrement important lorsque les données sont utilisées pour éclairer la prise de décision ou influencer l'opinion publique.
3. Responsabilité. Présenter une attribution complète dans les résultats disponibles permet au reste de la communauté de recherche de valider et d'approfondir les résultats fournis. Cette garantie renforce l'intégrité des données et tient les concepteurs responsables des affirmations et conclusions avancées.
4. Considérations relatives à la confidentialité. Dans certaines circonstances, les données employées dans les visualisations peuvent contenir des renseignements sensibles ou personnels. Attribuer la source des données peut contribuer à protéger la vie privée des individus et à prévenir tout préjudice potentiel ou mauvaise utilisation de leurs informations.

Il convient de noter que si les données utilisées dans les graphiques ou les rapports ne sont pas accessibles au public, une autorisation doit être obtenue auprès de la source avant de les utiliser dans de nouvelles recherches ou publications. Cela exige également une attribution et une citation appropriées de la source des données.

L'attribution des sources de données est également étroitement liée aux principes d'accessibilité et d'inclusivité. En indiquant clairement les sources de données, elle permet à des personnes de différents horizons et capacités d'accéder à l'information présentée et de la comprendre.

Une attribution adéquate des sources renforce également la confiance. En l'absence de citations explicites et d'autorisations préalables, le scientifique des données peut être accusé de plagiat, que cela soit intentionnel ou non. Songez à l'utilisation de l'IA dans l'éducation. Certains enseignants autorisent leurs étudiants à recourir à des outils tels que ChatGPT pour les aider dans la rédaction et la recherche. Tout comme pour la citation de références textuelles, ces enseignants peuvent exiger que leurs étudiants joignent une déclaration sur l'utilisation de l'IA, précisant les invites (prompts) utilisées et la réponse exacte fournie par l'IA ou le robot conversationnel. L'étudiant peut ensuite modifier les réponses selon les besoins de son projet. D'autres enseignants interdisent totalement l'usage de l'IA et considèrent comme une tricherie le fait qu'un étudiant utilise cet outil pour un devoir. Les questions d'intégrité académique sont nombreuses, et des enjeux éthiques similaires doivent également être pris en compte lors de la planification et de la conduite d'un projet de science des données.

Accessibilité et inclusivité

L'une des responsabilités éthiques des scientifiques des données et des chercheurs consiste à veiller à ce que les données présentées soient accessibles et inclusives pour tous les individus, quelles que soient leurs capacités ou leurs expériences. Cela implique de prendre en considération les besoins des personnes en situation de handicap, des personnes issues de milieux artistiques ou linguistiques variés, ainsi que des personnes ayant différents niveaux d'instruction ou d'alphabétisation. De fait, intégrer les principes de conception universelle lors de la présentation des résultats aidera non seulement les personnes ayant des capacités différentes, mais également tout individu qui lit ou consulte le rapport.

Les principes de conception universelle (Universal design principles) désignent un ensemble de lignes directrices visant à créer des produits, des environnements et des systèmes accessibles et utilisables par toutes et tous, sans distinction d'âge, de capacité ou de handicap. L'objectif de la conception universelle est de garantir l'inclusivité et de promouvoir l'égalité d'accès, permettant à chacun de participer aux activités quotidiennes sans adaptations ni aménagements supplémentaires. En science des données, cela peut impliquer de créer des visualisations et des rapports utilisant des polices, des couleurs et des formats accessibles, ainsi que de fournir des versions alternatives pour les personnes qui éprouveraient des difficultés à accéder aux données ou à les comprendre sous leur forme originale. Les obstacles à l'accessibilité et à l'inclusivité comprennent des obstacles physiques, tels que des visualisations inaccessibles aux personnes ayant une déficience visuelle. De même, des barrières linguistiques et culturelles peuvent empêcher les personnes extérieures au groupe culturel des chercheurs, ou celles ayant un faible niveau d'alphabétisation ou les locuteurs non natifs, de comprendre pleinement des visualisations de données et des rapports complexes. En appliquant les principes de conception universelle, les scientifiques des données et les chercheurs peuvent contribuer à atténuer ces obstacles et veiller à ce que les données présentées soient accessibles et inclusives pour un large éventail d'individus.

En plus des disparités de capacités, d'importantes difficultés surviennent également quant à la possibilité pour certains individus d'accéder aux technologies numériques et de les utiliser en raison de disparités socio-économiques. La fracture numérique (digital divide) fait référence au fossé qui sépare ceux qui ont accès aux technologies numériques, telles qu'Internet et les ordinateurs, de ceux qui n'y ont pas accès. Des facteurs tels que la situation géographique, l'âge, le niveau d'instruction et le niveau de revenu contribuent à la fracture numérique, ce qui peut engendrer des inégalités en matière de données, où certains groupes sont sous-représentés ou exclus de la prise de décision fondée sur les données. S'attaquer à la fracture numérique par des investissements dans les infrastructures (par exemple en développant un accès Internet fiable dans les zones mal desservies), par l'éducation aux compétences numériques et par une collecte de données inclusive (des méthodes qui ne reposent pas uniquement sur l'accès des participants à la technologie) permettra à terme de réduire ce fossé et de favoriser une plus grande équité sociale et économique.

Enfin et surtout, les scientifiques des données doivent être conscients du rôle que joue leur discipline dans l'ouverture d'opportunités pour les communautés historiquement sous-représentées et marginalisées. Le domaine de la science des données devient plus inclusif au fil du temps, en mettant davantage l'accent sur la diversité, l'équité et l'inclusion (DEI). Ces dernières années, la nécessité d'accroître la diversité et l'inclusion dans la science des données est de plus en plus reconnue. Les efforts déployés pour corriger ce déséquilibre comprennent la création de programmes de mentorat, le soutien aux groupes sous-représentés dans l'enseignement des STIM et la promotion de pratiques de recrutement équitables au sein des entreprises technologiques. À mesure que le domaine évolue, un effort concerté est fait pour accueillir davantage de femmes et de personnes issues de milieux sous-représentés dans les fonctions liées à la science des données.

Les initiatives visant à promouvoir la représentation dans les carrières de la science des données, à traiter les biais dans les données et les algorithmes, et à soutenir un accès équitable aux ressources éducatives sont de plus en plus courantes. En favorisant une culture d'inclusion, les scientifiques des données peuvent non seulement stimuler l'innovation, mais aussi veiller à ce que les enseignements et les technologies qu'ils développent profitent à toutes les composantes de la société.

La science des données devient un élément standard du paysage éducatif, touchant des apprenants variés et offrant des voies d'accès à l'emploi dans ce domaine. La transition de la science des données, d'une matière spécialisée, hautement technique et exclusive vers une discipline accessible à un public plus large, contribue à combler les écarts en matière d'opportunités éducatives et favorise un parcours d'accès plus inclusif vers les carrières en science des données. Elle reflète également la demande croissante de compétences en science des données sur le marché du travail, encourageant une adoption plus large dans divers contextes éducatifs.