← Derniers articles
💰 finance quantitative

Experimentally Validated Digital Twins: Evaluating Workforce Training Programs in the Age of Big Data

Cet article démontre que les modèles d'apprentissage automatique entraînés sur des données administratives à grande échelle peuvent construire des « jumeaux numériques validés expérimentalement » pour estimer avec précision les impacts des programmes de formation de la main-d'œuvre, atteignant des taux d'erreur comparables à ceux des essais contrôlés randomisés tout en révélant des variations significatives de l'efficacité des programmes selon les lieux et le temps.

Auteur original : Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

Publié 2026-11-04
📖 7 min de lecture🧠 Analyse approfondie

Auteur original : Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

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 l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Pendant des décennies, l'étalon de référence pour savoir si un programme fonctionne réellement a été l'essai contrôlé randomisé. Dans cette approche, les chercheurs prennent un groupe de personnes, lancent une pièce pour décider qui reçoit le nouveau service et qui n'en bénéficie pas, puis comparent les résultats. Parce que l'attribution est aléatoire, toute différence dans les résultats peut être attribuée avec certitude au programme lui-même, et non au fait que les personnes qui se sont inscrites étaient plus motivées ou avaient de meilleurs emplois dès le départ. Cette méthode est devenue le socle des politiques modernes, guidant les décisions sur tous les fronts, de l'éducation à la formation professionnelle. Cependant, mener ces essais est coûteux, lent et souvent impossible pour chaque programme existant. En conséquence, de nombreux programmes fonctionnent sans preuve rigoureuse de leur valeur, laissant les décideurs politiques deviner si leurs investissements aident ou nuisent.

L'alternative a traditionnellement consisté à examiner les données observationnelles, en comparant les personnes qui ont choisi de rejoindre un programme avec celles qui ne l'ont pas fait. Mais l'histoire a montré que c'est une voie dangereuse. Parce que les personnes qui choisissent de s'inscrire sont souvent différentes de celles qui restent à l'écart sur des points que les chercheurs ne peuvent pas voir — comme leur détermination ou le soutien de leur famille — les comparaisons simples produisent souvent des résultats trompeurs. Pendant des années, le consensus était que sans un essai randomisé, on ne pouvait tout simplement pas faire confiance aux chiffres. Ce document, cependant, revient sur cette conclusion à l'ère des données massives. Les chercheurs ont posé une question simple : si nous avons accès à l'historique complet du travail et de la fiscalité de chaque adulte américain, combiné à de puissants modèles informatiques, pouvons-nous construire une version virtuelle d'une personne qui soit si précise qu'elle agit exactement comme un groupe de contrôle randomisé ?

L'équipe, dirigée par des économistes de Harvard et de l'organisation Opportunity Insights, s'est donné pour mission de tester cette idée en utilisant le cas spécifique des programmes de formation professionnelle. Ils ont rassemblé un ensemble de données massif contenant les dossiers fiscaux de 327 millions d'Américains, suivant leurs revenus de 1999 à 2025. Ils ont lié ces dossiers à des informations sur plus de 100 000 personnes ayant participé à divers programmes de formation professionnelle. Au lieu de chercher une correspondance parfaite pour chaque participant dans une petite enquête, comme cela se faisait par le passé, ils ont utilisé l'apprentissage automatique pour construire un modèle de prédiction sophistiqué. Ce modèle a appris de l'ensemble de la population pour prédire ce que les revenus des participants auraient été s'ils n'avaient jamais rejoint le programme. Les chercheurs ont appelé ces prédictions des « jumeaux numériques » : des substituts statistiques des participants représentant ce qui serait arrivé à eux s'ils n'avaient pas reçu la formation.

Pour vérifier la qualité de ces jumeaux numériques, les chercheurs avaient besoin d'un point de référence. Ils se sont tournés vers 37 essais randomisés existants de programmes de formation professionnelle qui avaient déjà été menés entre 2000 et 2019. Ces essais fournissaient les véritables réponses, vérifiées expérimentalement, sur le montant que les participants gagnaient réellement par rapport à ceux qui avaient été assignés de manière aléatoire à ne pas participer. Les chercheurs ont ensuite appliqué leur méthode de jumeau numérique à ces mêmes groupes de personnes. Ils ont demandé au modèle informatique de prédire les revenus des participants en fonction de leur historique de travail passé, de leurs caractéristiques démographiques et de leur lieu de résidence, puis ont comparé ces prédictions aux résultats réels des essais randomisés.

Les résultats ont été frappants. Les prédictions faites par les jumeaux numériques correspondaient aux résultats des essais randomisés avec une précision remarquable. La différence entre l'estimation de l'ordinateur et le résultat expérimental réel était si faible qu'elle était comparable au bruit statistique naturel présent dans les essais eux-mêmes. En fait, l'erreur dans les estimations des jumeaux numériques était légèrement plus petite que l'erreur dans les essais randomisés, principalement parce que le modèle informatique avait accès à un ensemble de données beaucoup plus vaste pour apprendre. Les chercheurs ont constaté que l'ancienne méthode, qui reposait sur de plus petites enquêtes et des mathématiques plus simples, produisait des erreurs plus de deux fois plus importantes. La clé du succès n'était pas seulement d'avoir plus de données, mais d'utiliser des modèles informatiques flexibles capables de gérer la complexité des vies humaines, comme le suivi des revenus d'une personne sur de nombreuses années et dans différents secteurs d'activité.

Une fois la méthode validée, les chercheurs l'ont utilisée pour observer les programmes de formation professionnelle dans des lieux et des périodes où aucun essai randomisé n'avait jamais été réalisé. Ils ont découvert que le succès de ces programmes n'était pas un chiffre fixe ; il variait considérablement selon l'endroit où le programme était situé et l'année où il a eu lieu. Par exemple, un programme spécifique appelé Year Up United a montré des résultats très diversifiés. Dans certaines villes et pour certaines années, le programme a augmenté les revenus annuels des participants de plus de 12 000 $, tandis que dans d'autres localités ou années, l'augmentation était beaucoup plus faible. Ces différences étaient trop importantes pour être dues au hasard, suggérant que l'efficacité d'un programme dépend fortement des conditions locales et de la manière dont le programme est géré à un moment précis.

L'étude a également révélé ce qui fait fonctionner ces programmes. Les gains de revenus les plus importants provenaient de programmes qui faisaient plus que simplement enseigner des compétences ; ils plaçaient activement les participants dans des stages et des emplois dans des secteurs spécifiques à hauts salaires. Les chercheurs ont constaté que plus un programme réussissait à placer les gens dans ces emplois cibles, plus les gains de revenus étaient élevés. De plus, ces gains n'étaient pas temporaires. Les participants qui ont constaté de fortes augmentations de revenus deux ans après le programme continuaient à gagner nettement plus que leurs jumeaux numériques dix à quinze ans plus tard. Cette persistance restait vraie même pour les 90 % de participants qui ont fini par quitter leur emploi initial. Les données suggèrent que ces programmes ne font pas que donner un salaire ; ils placent les individus sur une échelle de carrière qui porte ses fruits tout au long de leur vie professionnelle, quel que soit l'endroit où ils travaillent.

Les auteurs concluent que, bien que les essais randomisés restent un outil vital pour vérifier l'exactitude de ces méthodes, l'ère des données massives a changé le paysage de l'évaluation des programmes. Il est désormais possible de construire des « jumeaux numériques » qui fournissent des preuves fiables et quasi en temps réel sur l'efficacité d'un programme, même en l'absence d'une expérience formelle. Cette approche permet aux décideurs politiques de voir comment un programme performe dans une ville ou une année spécifique, plutôt que de se fier à une moyenne unique issue d'un essai réalisé des années auparavant dans un lieu différent. Les conclusions suggèrent qu'en utilisant des données riches et des modèles flexibles, nous pouvons dépasser le vieux débat sur la fiabilité des données observationnelles pour les utiliser afin de comprendre les détails spécifiques de ce qui fait réussir ou échouer les interventions.

Noyé(e) sous les articles dans votre domaine ?

Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.

Essayer Digest →