Titre | L'interopérabilité sociale de l'IA en santé : un enjeu pour le design d'algorithmes situés dans des pratiques | |
---|---|---|
Auteur | Sylvie Grosjean | |
![]() |
Revue | Revue française des sciences de l'information et de la communication |
Numéro | no 17, 2019 Migrants et migrations en SIC | |
Rubrique / Thématique | Spicilège |
|
Résumé |
Dans cet article, notre objectif est d'approfondir un concept émergent dans le domaine de l'Intelligence Artificielle (IA) en santé, celui d'interopérabilité sociale. Autrement dit, nous souhaitons interroger la relation que des professionnels de la santé et des patients entretiennent avec des données générées par des algorithmes d'apprentissage. Pour ce faire, nous prendrons appui sur deux projets de recherche, menés en partenariat avec des organisations de santé, au cours desquels nous avons mis en œuvre une approche de design participatif. Cette approche permet d'impliquer les futurs utilisateurs de ces technologies dès le début du processus de conception et contribue à révéler des usages anticipés, des attentes et progressivement à comprendre la relation et la signification que les soignants et les patients attribuent aux données générées par des algorithmes d'apprentissage. À travers ces deux cas, nous montrerons comment il est possible de penser l'interopérabilité sociale via le design de technologies d'apprentissage machine ancré dans des pratiques. Source : Éditeur (via OpenEdition Journals) |
|
Résumé anglais |
In this article, our objective is to explore an emerging concept in the field of Artificial Intelligence (AI) in health, that of social interoperability. In other words, we would like to understand the relationship between users (healthcare professionals, patients, caregivers) and data generated by algorithms. To do this, we will rely on two research projects, conducted in healthcare organizations, and based on a participatory design approach. This approach allows future users of technologies to be involved from the beginning of the design process and helps to reveal anticipated uses, expectations and gradually to understand the relationship that users attribute to the data generated by algorithms. Through these two cases, we will show how it is possible to think about social interoperability through a “practice-based design” of machine learning technologies. Source : Éditeur (via OpenEdition Journals) |
|
Article en ligne | http://journals.openedition.org/rfsic/6138 |