Considérant le niveau de confiance que nous pouvons avoir dans les modèles prédictifs en général, nous pensons qu’il y a un problème avec la façon dont les prédictions sont communiquées par la communauté. Les scientifiques utilisent souvent le terme « prédiction » pour désigner un certain résultat d’un modèle (statistique) où ils « prédisent » des aspects des données qui sont déjà connus, mais momentanément mis de côté. Edmonds et al déclarent que « par « prédiction », nous signifions la capacité à anticiper de manière fiable des aspects bien définis de données qui ne sont pas actuellement connues avec un degré de précision utile via des calculs utilisant le modèle« . L’exactitude prédictive, dans ce cas, peut ensuite être calculée ultérieurement, en comparant la prédiction à la vérité. Les scientifiques savent que lorsqu’ils parlent des prédictions de leurs modèles, ils ne prétendent pas généraliser à des situations en dehors du champ étroit de leur échantillon d’étude ou de leur société artificielle. Nous ne prédisons pas l’avenir, et ne prétendrions pas le faire. Cependant, cela est très différent de la façon dont la « prédiction » est communément comprise : Comme une estimation d’une chose inconnue dans le futur. Maintenant que nos modèles se diffusent rapidement auprès du grand public, nous devons faire attention à la façon dont nous parlons de leurs résultats.

Les prédictions dans la crise du COVID-19 resteront imparfaites. Dans le cadre de l’épidémie actuelle de virus, la société ne peut pas se permettre de compter sur la falsification des modèles d’interventions par rapport aux données empiriques.

Nous proposons d’éviter de trop utiliser le mot  » prédiction  » et de parler plutôt de scénarios ou d’attentes lorsque cela est possible. Avant de continuer votre lecture, prenez le temps de lire cet article sur la ligne de la main en suivant le lien https://www.maiscestunhomme.org/faut-il-croire-aux-lignes-de-la-main/

Quatre raisons pour lesquelles vous devriez éviter de parler de prédiction dès maintenant 

1. Tout le monde ne connaît pas le bruit et l’émergence. Les spécialistes des sciences sociales computationnelles comprennent généralement les effets du bruit dans les systèmes sociaux. De petites irrégularités comportementales peuvent être renforcées dans des systèmes complexes, favorisant des résultats inattendus. Pourtant, les scientifiques qui n’ont pas l’habitude d’étudier des systèmes sociaux complexes peuvent ne pas connaître les principes que nous avons intériorisés à ce jour et accorder une confiance excessive aux sorties médianes des modèles volatils qui entrent dans la sphère scientifique en tant que prédictions.
2. Les prédictions ne véhiculent pas l’incertitude. Le grand public n’est généralement pas au courant des concepts ésotériques académiques. Par exemple, montrer un scénario d’aplatissement de la courbe s’appuie habituellement sur une approximation moyenne ou médiane, négligeant souvent d’inclure la variabilité des différents scénarios. Cependant, il existe de nombreux autres résultats, basés sur différentes valeurs de paramètres. Nous craignons qu’en énonçant une prédiction à un public indiscipliné, celui-ci s’attende à ce que cette chose se produise avec certitude. Si nous prévoyons une journée ensoleillée, mais qu’il pleut, les gens sont contrariés. Parler de scénarios, d’attentes et de mécanismes peut prévenir la confusion et l’opposition lorsque la prévision ne se produit pas.
3. C’est un modèle, pas une réalité. L’argument précédent alimente la troisième notion : Soyez honnête sur ce que vous modélisez. Un modèle est un modèle. Même le modèle le plus richement calibré est un modèle. Cela ne veut pas dire que de tels modèles ne sont pas informatifs (nous le répétons : les modèles ne sont pas un coup de feu dans le noir). Néanmoins, les modèles richement calibrés basés sur des données pauvres peuvent être plus trompeurs que les modèles moins calibrés. Les modèles calibrés empiriquement peuvent donner une plus grande confiance à première vue, mais il est dans la nature des systèmes complexes que de petites erreurs de mesure dans les données d’entrée peuvent conduire à de grandes déviations dans les sorties. Les modèles présentent un scénario pour notre raisonnement théorique avec un ensemble donné de valeurs de paramètres. Nous pouvons mettre à jour un modèle avec des données empiriques pour augmenter la fiabilité, mais il reste un scénario sur un état futur compte tenu d’un ensemble (souvent expansif) d’hypothèses.
4. Arrêter de prédire, commencer à communiquer. La communication est pivotante pendant une crise. Une abondance de recherches montre que communiquer clairement et honnêtement est une meilleure pratique durant une crise, réconfortant généralement le grand public, on l’appelle communication transparente. En déclarant que « les limites des modèles et les recommandations politiques qui en découlent doivent être communiquées ouvertement et traitées de manière transparente ». Nous sommes unis dans notre objectif d’éviter la crise COVID-19, mais nous devons veiller à ce qu’un excès de confiance n’érode pas la confiance de la société dans la science. Déclarer sans équivoque que nous espérons, sur la base de nos attentes, éviter une crise en mettant en œuvre une certaine politique, n’empêche pas de modifier notre ligne de conduite lorsqu’un scénario actualisé sur l’avenir peut nous obliger à le faire. Les modélisateurs devraient communiquer clairement aux décideurs politiques et au grand public que c’est le rôle des modèles informatiques qui sont mis à jour quotidiennement.