La révolution causale à l'ère de l'IA : Vers une approche hybride entre théorie scientifique et découverte automatisée

Abstract

La “révolution causale” en sciences des données promet de transformer notre capacité à comprendre les relations causales complexes dans divers domaines. Cette présentation examine les rôles complémentaires des humains et des machines dans la modélisation causale, en prenant pour exemple la recherche sur le trouble de la personnalité limite.

Nous analysons d’abord les limites des approches purement automatisées de découverte causale, particulièrement en présence de données manquantes ou partielles. Nous montrons ensuite comment les modèles théoriques issus des sciences sociales et de la santé peuvent servir de “priors” informatifs pour guider la construction de modèles causaux. En particulier, nous explorons l’utilisation du modèle écosocial de Krieger comme cadre théorique initial.

Nous proposons une approche hybride qui combine systématiquement trois éléments : les modèles théoriques existants, l’expertise clinique, et les méthodes de découverte automatisée. Cette approche permet d’exploiter les forces complémentaires des humains (connaissance du contexte, jugement clinique) et des machines (traitement de grandes quantités de données, identification de motifs).

Cette réflexion s’inscrit dans une perspective plus large sur l’automatisation en santé mentale, où la complémentarité homme-machine apparaît comme une piste à approfondir.