Construction of Model Behavior by Novices through Interaction with Machine Learning ; Construction du comportement des modèles par des novices à travers l'interaction avec l'apprentissage automatique

Les systèmes d'apprentissage automatique (machine learning, ML) interviennent de plus en plus dans des domaines tels que le recrutement, la santé, la justice pénale et la modération de contenu. Bien qu'ils soient souvent présentés comme neutres ou objectifs, ces systèmes reproduisent fréquemment les inégalités mêmes qu'ils prétendent corriger. Ces préjudices ne sont pas de simples défaillances techniques, mais le reflet de dynamiques sociotechniques plus larges : les modèles encodent des normes dominantes façonnées par les données, les hypothèses et les pratiques institutionnelles à l'origine de leur conception. Pour aborder ces dynamiques, il faut dépasser les métriques de performance internes et s'intéresser à la manière dont le comportement des modèles se manifeste en contexte, notamment à travers l'interprétation et les réactions des utilisateurs dans des situations réelles. Cette thèse explore comment le comportement des modèles peut non seulement être analysé, mais aussi construit à travers l'interaction humaine avec des systèmes d'apprentissage automatique dans des contextes réels. Elle se concentre sur des utilisateurs novices, souvent exclus des processus formels de développement mais directement concernés par les décisions algorithmiques, et examine comment ces utilisateurs interprètent, évaluent et peuvent potentiellement façonner le comportement des modèles. Ancrée en interaction humain-machine (IHM) et informée par les sciences et technologies (STS) et l'éthique de l'IA, cette thèse adopte une approche centrée sur l'humain à travers deux études empiriques portant sur les phases de développement et de post-déploiement du cycle de vie des modèles ML. Ces études montrent comment l'interaction rend le comportement des modèles accessible à la réflexion, à la négociation et à la critique. La première étude introduit l'enseignement automatique interactif et collaboratif (Collaborative Interactive Machine Teaching), dans lequel de petits groupes d'utilisateurs novices entraînent un classificateur d'images à ...