Detecting Biased Arguments: A Site for Argumentative Injustice

Dans le monde des désaccords humains, nous supposons souvent que la meilleure façon de trancher un débat est d'examiner strictement la logique des mots utilisés. Nous avons tendance à penser que si un argument est bien structuré, il est juste, et s'il est désordonné ou émotionnel, il est défectueux. Cette croyance sous-tend la manière dont nous jugeons tout, des discours politiques aux commentaires en ligne. Cependant, un corpus croissant de recherches suggère que cette focalisation sur la structure peut parfois nous aveugler face à la réalité de la situation. Elle peut nous amener à rejeter injustement des points valables simplement parce qu'ils sont racontés sous forme de récit, basés sur l'expérience personnelle ou délivrés avec passion, plutôt que selon un format froid et par étapes. Ce phénomène est connu sous le nom d'injustice argumentative, une situation où le statut social d'une personne ou sa manière de parler fait que ses idées sont ignorées ou étiquetées comme biaisées, même lorsque leur raisonnement est solide.

La question de savoir comment nous détectons le biais est centrale dans ce problème. Si nous construisons des outils ou des règles pour trouver des arguments « biaisés », nous devons nous demander : ces outils reconnaissent-ils toutes les manières de parler ? Une nouvelle étude d'Asma Tajuddin, de l'Université de Windsor, explore si l'acte même de chercher le biais peut devenir lui-même une source d'injustice. La recherche examine un problème spécifique : lorsque nous examinons un argument de manière isolée, sans savoir qui l'a prononcé, à quoi il répondait ou quel type de conversation a lieu, nous risquons de mal le juger. L'étude suggère que nos méthodes pour repérer le mauvais raisonnement favorisent souvent un style de parole spécifique et rigide tout en pénalisant les autres, ce qui risque de faire taire les voix qui ne correspondent pas au moule standard.

Pour comprendre comment cela se produit, Tajuddin s'est tournée vers la Chambre des communes du Canada, un lieu où des centaines de politiciens débattent de lois et de politiques chaque jour. Elle a rassemblé 586 discours distincts enregistrés sur trois jours en juin 2026. Ces discours allaient de déclarations courtes à des explications longues et détaillées, prononcées par 158 parlementaires différents. L'objectif n'était pas de juger la politique du moment, mais de voir comment le même discours serait étiqueté si un programme informatique l'analysait sous différentes conditions. La chercheuse voulait savoir si l'étiquette de « biaisé » changerait en fonction de la quantité de contexte fournie à l'ordinateur.

L'expérience a été conçue comme une série de trois tests. Dans le premier test, l'ordinateur ne voyait que le discours lui-même, dépouillé de toute conversation environnante. Dans le deuxième test, il voyait le discours ainsi que les deux commentaires précédents et les deux suivants, lui donnant ainsi le flux immédiat du débat. Dans le troisième test, le plus complet, l'ordinateur était également informé du type spécifique de dialogue en cours, par exemple si le groupe cherchait à se persuader mutuellement, à négocier un accord ou simplement à recueillir des informations. En gardant le discours exactement identique et en ne changeant que les informations contextuelles disponibles pour l'analyse, l'étude pouvait isoler l'effet du contexte sur le jugement du biais.

Les résultats ont révélé un changement frappant dans la perception des arguments. Lorsque l'ordinateur examinait les discours de manière isolée, il était souvent incertain de ce qu'il fallait en penser, qualifiant près de la moitié d'entre eux d'« ambigus ». Il peinait à décider s'ils étaient équitables ou non. Cependant, dès que l'ordinateur recevait la conversation environnante, cette incertitude chutait radicalement. Le nombre d'étiquettes « non biaisé » a augmenté de manière significative, suggérant que l'information supplémentaire aidait le système à voir que de nombreux arguments étaient en réalité des réponses raisonnables à ce qui avait été dit auparavant. Le nombre d'arguments qualifiés de « biaisés » a également augmenté, mais plus lentement, indiquant que le contexte aidait le système à identifier un parti pris réel qui était caché lorsque le discours était vu seul.

L'étude a également examiné les différentes manières dont les gens exposent leurs points de vue. L'analyse a révélé que, si de nombreux politiciens utilisent le format logique standard de prémisses menant à une conclusion, une grande partie des discours repose sur d'autres méthodes. Près de la moitié des contributions étaient construites sur des récits personnels, des témoignages d'autrui ou des appels émotionnels. Ce sont des formes de raisonnement qui ne ressemblent pas toujours à un problème de mathématiques, mais qui possèdent leur propre poids et leur propre vérité. La recherche a montré que la manière dont ces différents types d'arguments sont jugés dépend fortement du contexte. Par exemple, lorsqu'un intervenant utilisait un témoignage ou s'appuyait sur l'autorité institutionnelle, l'ordinateur était beaucoup plus enclin à le qualifier de « non biaisé » une fois qu'il avait vu la conversation complète. En revanche, les arguments reposant sur des données brutes ou une forte émotion étaient plus susceptibles d'être signalés comme biaisés, quel que soit le contexte.

Ce schéma pointe vers un problème plus profond dans notre évaluation du discours humain. L'étude suggère que nos normes actuelles de détection du biais ne sont pas neutres. Elles semblent être calibrées pour un style d'argumentation spécifique qui valorise la logique formelle et l'autorité institutionnelle. Lorsqu'un intervenant utilise un récit ou un appel émotionnel, le système peine souvent à le comprendre sans l'histoire complète du débat. Sans ce contexte, ces formes valides de raisonnement risquent d'être rejetées comme étant obscures ou injustes. La recherche indique que si nous nous appuyons trop lourdement sur des outils automatisés ou des règles rigides pour trouver le biais, nous pourrions accidentellement punir les gens pour la façon dont ils s'expriment de manière naturelle, surtout si ces façons diffèrent du style formel dominant.

Ces conclusions ne prouvent pas que chaque système automatisé est défaillant ou que chaque argument émotionnel est parfait. Elles suggèrent plutôt que les outils que nous utilisons pour juger les arguments sont sensibles aux informations que nous leur fournissons. Un jugement rendu dans le vide est souvent moins fiable qu'un jugement fait avec une compréhension de la situation. L'étude souligne que l'équité dans l'argumentation exige plus que la simple vérification des erreurs logiques ; elle exige une attention portée à la position sociale de l'intervenant, au type de conversation en cours et aux ressources qu'il utilise pour faire valoir son cas. En ignorant ces facteurs, nous risquons de créer un système où seules certaines sortes de voix sont entendues, tandis que d'autres sont discrètement étiquetées comme défectueuses.

En fin de compte, cette recherche sert de rappel que le contexte d'une conversation n'est pas seulement un bruit de fond ; il est essentiel pour comprendre le sens de ce qui est dit. Que ce soit dans un parlement, un tribunal ou un forum en ligne, la manière dont nous jugeons un argument dépend de la part de l'histoire que nous sommes prêts à écouter. Si nous voulons éviter l'injustice argumentative, nous devons nous assurer que nos méthodes de détection du biais sont assez flexibles pour reconnaître que la vérité peut prendre plusieurs formes, et pas seulement celles qui s'insèrent dans un modèle logique strict. L'étude conclut que la voie vers une évaluation plus juste passe par la reconnaissance du fait que qui argumente et comment on argumente importe tout autant que les mots choisis.