Anna Skarpelis — Face It! (ULiège)

Anna Skarpelis — Face It! (ULiège)

Anna Skarpelis — Affronte-le ! (ULiège)

par Anna Skarpelis · Voir la chaîne sur PSI

Sciences humaines, sociales & pensée Société & Culture JSociété et sciences sociales
🎙 Anna Skarpelis 👥 178 📅 27 février 2023 ⏱ 28 min 👁 50 📄 étude originale 🧭 2026-10-09
Disponible en : Français (actuel) English

Mots-clés

GANsaugmentation de donnéesclassification racialebiais algorithmiqueéthique de l'IA

Résumé

Anna Skarpelis, sociologue, présente une analyse critique de l’augmentation de données et de la traduction raciale dans les systèmes de reconnaissance faciale. Elle s’appuie sur l’étude d’un jeu de données généré à partir de photos de célébrités, dans lequel des visages sont transformés d’une catégorie raciale à une autre via des GANs. Elle montre que cette pratique, censée réduire les biais, repose sur une conception essentialiste de la race et produit de nouvelles distorsions. Elle développe une méta-analyse de la littérature scientifique sur les biais raciaux dans la biométrie, soulignant l’absence de définition consensuelle de la race chez les ingénieurs. Elle compare les pratiques numériques aux méthodes historiques de classification raciste, comme celles utilisées sous le nazisme, pour conclure que les données actuelles sont en réalité plus pauvres et réduisent les individus à leur phénotype. La conférence interroge les implications sur la construction de la personne et de la subjectivité dans les systèmes algorithmiques.

154 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations réside dans la mise en lumière d’une pratique peu connue de l’augmentation de données raciales, analysée à travers le prisme de la sociologie historique. L’argumentation est solide : elle dénonce la fausse neutralité technique, montre que la correction des biais peut introduire de nouveaux biais, et relie cette pratique à une longue histoire de catégorisation raciale. La démonstration s’appuie sur un cas concret et une revue de littérature, mais manque parfois de détails chiffrés sur sa propre recherche.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est élevée : la chercheuse mobilise des références en études des sciences, sociologie et médias. Cependant, les sources ne sont pas toujours citées explicitement dans la présentation (pas de bibliographie fournie). Le titre du vidéo est générique, mais le contenu correspond bien à la thématique de l’événement ‘Face It!’.

149 mots

Adéquation titre / contenu

Le titre de la vidéo indique le nom de l'intervenante et l'événement 'Face It!', ce qui correspond bien au contenu de la conférence, mais il demeure très générique.

Qualité & fiabilité

8/10

La conférencière, sociologue de renom, présente une analyse critique fondée sur son propre programme de recherche incluant une méta-analyse en cours. Le raisonnement est rigoureux et interdisciplinaire, mais certaines affirmations ne sont pas étayées par des preuves détaillées dans le cadre de cette présentation orale.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Lev Manovich, The Database as a Symbolic Form — Référence à la conférence précédente et à la notion de base de données comme forme culturelle majeure du 21e siècle.
  • Estelle Blashke, travaux sur l'annotation d'images — Mentionnée pour montrer que l'annotation d'images n'est pas nouvelle et précède l'ère numérique.
  • Ian Hacking, Making Up People — Concept de 'making up people' utilisé pour penser la construction des catégories sociales.
  • Alex Hanna, travaux sur les biais algorithmiques — Sociologue travaillant sur l'éthique et les biais dans les systèmes algorithmiques.
  • Rachel Dolezal, cas de tromperie raciale — Exemple de transgression raciale et de métamorphose sociale.

Apport & nouveautés

L’apport original de cette conférence est de lier la pratique technique de l’augmentation de données dans la reconnaissance faciale à une analyse sociologique et historique des catégories raciales. Elle introduit le concept de ‘métamorphose raciale’ et montre comment la standardisation algorithmique perpétue des schémas de pouvoir anciens, tout en appauvrissant les données sur l’individu.

Pour aller plus loin :

  • Data augmentation — Définition et usages en apprentissage automatique, pertinente pour comprendre la technique discutée.
  • Generative adversarial network — Les GANs, outils clés de la génération d’images synthétiques.
  • Race (human categorization) — Notion de race comme catégorie sociale et historique, utile pour contextualiser le propos.
  • Algorithmic bias — Le biais algorithmique, central dans la problématique soulevée par la conférencière.

118 mots

Profil radar

Le profil radar montre de bonnes performances en qualité et fiabilité, un niveau technique modéré (accessible), et une quantité d'information élevée. La vidéo se distingue par sa profondeur analytique et son ancrage interdisciplinaire.

Fiabilité 8/10