📊 statistics

Mind the Gap: Optimal and Equitable Encouragement Policies

Cet article propose un cadre pour concevoir des politiques d'encouragement personnalisées et équitables dans des domaines où l'adhésion au traitement n'est pas garantie, en démontrant que l'équité doit viser le taux de prise de traitement réel plutôt que les simples recommandations, comme l'illustrent des études de cas sur les rappels de prestations SNAP et la libération sous surveillance préventive.

Auteurs originaux : Angela Zhou

Publié 2026-04-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Angela Zhou

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Titre : « Attention au Fossé » (Mind the Gap)

Imaginez que vous êtes le capitaine d'un navire (le décideur) et que vous devez amener des passagers (les citoyens) à un endroit sûr (le traitement ou l'aide). Le problème ? Vous ne pouvez pas forcer les passagers à monter à bord. Vous ne pouvez que leur donner un coup de main, un petit encouragement, une boussole ou un rappel pour les inciter à y aller.

Ce papier s'intéresse à la question suivante : Comment donner les meilleurs encouragements possibles à chaque personne, tout en étant juste, sans créer d'inégalités ?

1. Le Problème : La Différence entre le « Coup de Pouce » et l'Action

Dans la vie réelle, on ne contrôle pas toujours les résultats.

Exemple concret : Une entreprise envoie une publicité (le coup de pouce) pour vous faire acheter un produit. Elle ne peut pas vous forcer à acheter.
Le piège : Si on regarde seulement qui a reçu la publicité, on rate l'essentiel. Il faut regarder qui a réellement acheté (l'adhésion) et si l'achat a été bénéfique (l'efficacité).

L'auteure, Angela Zhou, dit : « Ne vous trompez pas de cible ! » Si vous ne visez que la publicité, vous risquez de favoriser ceux qui sont déjà faciles à convaincre, tout en oubliant ceux qui ont le plus besoin d'aide mais qui sont plus timides ou ont des obstacles (comme un manque de temps, de transport ou de confiance).

2. L'Analogie du Jardinier

Imaginez un jardinier (le décideur) qui veut faire pousser des plantes (les résultats positifs).

Le traitement : C'est l'eau et les engrais.
L'encouragement : C'est le petit mot qu'il laisse sur la plante pour lui dire « Arrose-toi ! ».

Le jardinier a deux défis :

L'efficacité : Certaines plantes ont besoin de beaucoup d'eau pour survivre, d'autres non.
La réceptivité : Certaines plantes réagissent bien au petit mot et s'arrosent elles-mêmes. D'autres, même si elles en ont besoin, ignorent le mot (peut-être parce qu'elles sont trop fatiguées ou que le pot est trop lourd).

La découverte clé du papier : Si le jardinier ne donne des encouragements qu'aux plantes qui réagissent le mieux au mot (les plus « obéissantes»), il risque de laisser mourir les plantes qui ont le plus besoin d'eau mais qui sont plus difficiles à atteindre. C'est là que naît l'injustice.

3. Les Deux Études de Cas (Les Histoires Vraies)

L'auteure teste sa méthode sur deux situations réelles :

A. Les rappels pour l'aide alimentaire (SNAP)

La situation : Des familles pauvres doivent rappeler leur éligibilité à l'aide alimentaire. Beaucoup oublient et perdent leurs droits. L'administration envoie des SMS pour les rappeler.
Le constat : Les SMS fonctionnent mieux pour les personnes blanches que pour les personnes non-blanches. Pourquoi ? Pas parce que l'aide est moins utile pour les secondes, mais parce que ces dernières ont plus de difficultés administratives (barrière de la langue, manque de temps, méfiance).
La solution proposée : Au lieu d'envoyer le même SMS à tout le monde, il faut adapter l'encouragement. Pour les groupes qui ont du mal à réagir, il ne suffit pas de « pousser » un peu plus fort, il faut peut-être changer le canal (un appel téléphonique, une aide à la navigation) ou accepter que le simple SMS ne suffira pas. Le papier montre qu'en séparant « qui répond au SMS » de « qui a besoin de l'aide », on peut créer des politiques plus justes.

B. La surveillance électronique (Justice pénale)

La situation : Des juges utilisent un algorithme pour décider qui doit être surveillé électroniquement (bracelet) avant son procès.
Le problème : L'algorithme recommande souvent la surveillance pour certains groupes, mais les juges ne suivent pas toujours ces recommandations de la même manière selon la race ou le genre.
La solution proposée : L'auteure montre qu'on peut ajuster les règles de l'algorithme (les « cartes de score ») pour réduire les écarts de surveillance entre les groupes, sans pour autant augmenter le risque que les accusés ne se présentent pas au tribunal. C'est comme rééquilibrer une balance : on peut rendre le système plus équitable sans le rendre moins sûr.

4. La Méthode Magique : « Auditer avant de Prescrire »

L'idée centrale est de ne pas sauter directement à la solution. Il faut d'abord faire un diagnostic :

Regarder l'efficacité : Est-ce que le traitement aide tout le monde de la même façon ?
Regarder l'adhésion : Est-ce que tout le monde réagit de la même façon à l'encouragement ?

Si l'inégalité vient de l'adhésion (les gens ne répondent pas aux SMS), la solution est opérationnelle (changer la méthode de communication). Si l'inégalité vient de l'efficacité (le traitement ne marche pas pour certains), la solution est scientifique (changer le traitement).

En Résumé

Ce papier nous apprend que pour être juste avec les algorithmes et les décisions automatiques, il ne faut pas seulement regarder qui on touche, mais qui réagit et qui en bénéficie.

C'est comme si vous distribuiez des parapluies en cas de pluie :

Si vous les donnez uniquement à ceux qui les attrapent vite, vous laisserez ceux qui sont plus lents ou plus distants se mouiller, même s'ils ont le plus besoin d'être au sec.
La vraie justice, c'est de comprendre pourquoi certains ne prennent pas le parapluie et d'adapter votre stratégie pour que personne ne reste sous la pluie, tout en utilisant vos ressources (vos parapluies) de la manière la plus intelligente possible.

Le mot de la fin : La technologie ne doit pas être un mur, mais un pont. Et pour construire ce pont, il faut comprendre les obstacles de chaque piéton, pas seulement la vitesse à laquelle ils marchent.

1. Problématique et Contexte

Dans de nombreux domaines à fort impact (santé, justice, services sociaux, e-commerce), les décideurs ne peuvent pas imposer un traitement directement aux individus. Ils ne contrôlent que les recommandations ou les encouragements (nudges), laissant l'adoption réelle du traitement (la "prise en charge" ou take-up) à la décision de l'individu. Ce phénomène est connu sous le nom de non-adhérence ou non-respect.

Le problème central est le suivant : comment concevoir des politiques de recommandation personnalisées qui maximisent le bien-être global (valeur de la politique) tout en garantissant l'équité, alors que les disparités peuvent provenir de deux sources distinctes :

L'efficacité du traitement : Certains groupes bénéficient plus du traitement que d'autres.
La réactivité à l'encouragement : Certains groupes sont plus susceptibles d'accepter le traitement lorsqu'ils sont encouragés que d'autres.

Les approches traditionnelles se concentrent souvent uniquement sur l'effet intentionnel de traiter (Intention-to-Treat ou ITT), ce qui peut masquer les inégalités d'accès et perpétuer des disparités structurelles si l'on ne distingue pas ces deux mécanismes.

2. Méthodologie

L'auteur propose un cadre causal et algorithmique reposant sur plusieurs piliers théoriques et techniques :

A. Modélisation Causale et Identification

Le modèle repose sur un cadre de résultats potentiels avec une restriction d'exclusion conditionnelle (ou absence d'effet direct) : l'encouragement n'affecte le résultat final ( $Y$ ) que par son effet sur l'adoption du traitement ( $T$ ).
Sous l'hypothèse d'absence de confusion pour le traitement (conditionnellement aux covariables), la valeur de la politique se décompose en deux objets distincts :

La réactivité à l'encouragement ( $\kappa$ ) : La probabilité qu'un individu adopte le traitement s'il est encouragé, moins celle s'il ne l'est pas.
L'efficacité du traitement ( $\tau$ ) : L'effet causal du traitement sur le résultat.

Le score d'encouragement optimal (ITT) est le produit de ces deux termes : $s(x) = \kappa(x) \cdot \tau(x)$ .

B. Audit des Disparités

Avant d'optimiser, l'article propose une démarche d'audit pour identifier la source des inégalités :

Si les disparités proviennent de $\tau$ (efficacité), la solution réside dans l'amélioration du traitement lui-même.
Si elles proviennent de $\kappa$ (réactivité), la solution réside dans l'optimisation de l'encouragement (conception de la campagne, réduction des barrières administratives).
L'article démontre que des politiques naïves basées sur l'ITT peuvent créer de fortes disparités d'accès même si l'efficacité du traitement est identique entre les groupes, simplement à cause de différences de réactivité liées à des covariables proxy (ex: distance aux services).

C. Optimisation sous Contraintes

L'article formule le problème d'optimisation de la politique sous contraintes de budget et d'équité (parité démographique ou parité de prise en charge).

Structure de la solution : Les politiques optimales sont des règles de seuil sur des scores composites (scores de Lagrange).
Estimation Doublement Robuste : Utilisation d'estimateurs qui combinent des modèles de propension et de résultat pour réduire la variance et la sensibilité aux erreurs de spécification.
Algorithme à deux étapes (Two-Stage) : Pour gérer les contraintes d'équité avec des données finies, l'auteur propose un algorithme en deux étapes :
1. Estimation d'une politique candidate et identification des contraintes "presque actives".
2. Optimisation locale avec des "slacks" (marges) basés sur la variance estimée, permettant un contrôle plus strict des contraintes d'équité hors échantillon sans être excessivement conservateur.

D. Robustesse aux Recommandations Algorithmiques

Dans les cas où les recommandations sont déterministes (algorithmes de classification), l'hypothèse de chevauchement (overlap) est violée. L'article propose une extrapolation robuste : au lieu d'extrapoler le modèle de résultat (ce qui est risqué), on extrapole uniquement le modèle de réponse au traitement (comportement d'adoption), ce qui est moins conservateur et plus plausible.

3. Résultats Principaux

L'article valide sa méthodologie sur deux études de cas réelles :

Étude de Cas 1 : Rappel SMS pour la recertification SNAP (Aide alimentaire)

Contexte : Remerciement des bénéficiaires pour éviter la perte de leurs avantages.
Découverte : Les disparités raciales dans l'efficacité des rappels sont principalement dues à une réactivité différente (le groupe non-blanc est moins réactif aux SMS), et non à une différence d'efficacité du traitement (les bénéfices potentiels sont similaires).
Résultat : Une politique de ciblage optimisée améliore les résultats globaux, mais les disparités d'accès persistent. L'audit montre que pour égaliser les améliorations, il faudrait des budgets d'encouragement très différents par groupe, suggérant que le remède n'est pas le ciblage algorithmique seul, mais une réduction des barrières structurelles (navigation, logistique).

Étude de Cas 2 : Surveillance électronique préventive (Justice)

Contexte : Recommandations algorithmiques pour la mise sous surveillance électronique (PSA-DMF) en attente de jugement.
Problème : Les seuils actuels créent des disparités raciales et de genre dans la surveillance.
Résultat : En optimisant des "scorecards" interprétables (matrices de décision simples) sous contraintes de parité de prise en charge, l'auteur montre qu'il est possible de réduire drastiquement les disparités de surveillance (de ~0.057 à ~0.022) avec une perte minime d'efficacité (taux d'apparition au tribunal). L'approche robuste permet de gérer l'absence de chevauchement des recommandations algorithmiques.

4. Contributions Clés

Décomposition Causale de l'Équité : L'article établit que l'équité dans les politiques d'encouragement doit être évaluée sur la prise en charge induite (induced take-up) et non sur le taux de recommandation. Il distingue clairement les disparités d'efficacité des disparités d'accès.
Méthodologie d'Audit "Audit-to-Remedy" : Une approche systématique pour diagnostiquer si les inégalités sont dues à la réactivité ou à l'efficacité, guidant ainsi les interventions opérationnelles appropriées.
Optimisation Robuste et Équitable : Développement d'algorithmes d'apprentissage de politiques qui intègrent des contraintes d'équité tout en gérant l'incertitude (via l'estimation doublement robuste et l'extrapolation robuste) et les violations de chevauchement.
Algorithme à Deux Étapes : Une contribution méthodologique majeure pour l'apprentissage de politiques sous contraintes, réduisant la conservativité excessive souvent observée dans les méthodes de régularisation de variance.

5. Signification et Impact

Cet article est significatif car il comble le fossé entre la théorie de l'apprentissage causal et la réalité opérationnelle où les humains ne suivent pas toujours les recommandations.

Pour les décideurs : Il fournit un cadre pour ne pas seulement optimiser l'efficacité, mais aussi pour comprendre pourquoi certaines populations sont laissées pour compte (manque de réactivité vs manque de bénéfice).
Pour la recherche en IA équitable : Il déplace le focus de la simple équité des prédictions vers l'équité des décisions induites et des résultats réels, en tenant compte de la boucle humaine (human-in-the-loop).
Pratique : Il démontre que des ajustements locaux simples (comme modifier légèrement les seuils d'un tableau de décision) peuvent améliorer considérablement l'équité sans sacrifier l'efficacité, offrant des solutions concrètes et interprétables pour des domaines sensibles comme la justice et les services sociaux.

En résumé, l'article plaide pour une approche nuancée où l'optimisation algorithmique doit être couplée à une compréhension profonde des mécanismes comportementaux (adhérence) pour véritablement atteindre l'équité.