TRAIF 2026—Prof. Matthias Uhl

Valeur des informations & solidité de l’argumentation

La valeur de cette contribution réside dans son approche participative rare : elle mobilise des données empiriques pour éclairer un débat éthique souvent mené par des experts sans consulter les utilisateurs. L’argumentation est rigoureuse, structurée autour d’une définition claire du biais comme écart systématique à une norme, et elle s’appuie sur une expérimentation contrôlée avec des groupes variés. La solidité de l’argumentation est toutefois limitée par la portée de l’étude (uniquement sur le genre, échantillon américain) et par le fait que les résultats ne font que constater les préférences actuelles, sans discuter de leur éventuelle correction normative. L’auteur reconnaît d’ailleurs ces limites et propose de poursuivre la recherche sur d’autres caractéristiques, comme la couleur de peau.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est élevée : l’étude utilise une méthodologie expérimentale avec randomisation, inclusion de questions leurres pour masquer l’objectif, et une analyse par régression. Les sources mentionnées incluent d’autres travaux cités dans la littérature (exemple de Kahneman et Tversky) mais sans référence précise dans la présentation. Les liens fournis dans la description pointent vers les sites institutionnels du IEAI, du forum, d’alignAI et de l’Amerikahaus, qui sont crédibles. Le titre est minimaliste mais correspond exactement au contenu de la vidéo, qui est une conférence académique. Il n’y a pas d’écart notable entre le titre et le contenu.

Le titre est très succinct et correspond parfaitement à la présentation du professeur Matthias Uhl lors du TRAIF 2026.

8/10

Présentation académique d'une étude empirique publiée dans le cadre d'un forum dédié à l'IA responsable, avec méthodologie claire et résultats présentés ; toutefois, il s'agit d'une conférence sans publication complète accessible, et la taille de l'échantillon n'est pas précisée.

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

• 00:00Introduction de l'intervenant Matthias Uhl et présentation du plan de l'exposé.
• 02:00Discussion sur la définition des biais : écart systématique par rapport à une norme, et difficulté de rendre explicite la norme implicite.
• 05:00Exemples de biais : l'exemple classique de la banquière Linda (Kahneman), et l'omission bias selon les perspectives utilitaristes et déontologiques.
• 08:00Présentation des différents standards normatifs pour la représentation des genres : égalité proportionnelle, uniforme, substantive.
• 10:00Description du protocole expérimental : recrutement via Prolific, six catégories sociales, choix entre onze ensembles d'images.
• 13:00Résultats : forte corrélation entre croyances empiriques et choix normatifs, indépendamment du sexe ou de la connotation morale.
• 15:00Conclusion : les participants préfèrent des représentations conformes à leur perception du réel, y compris les groupes marginalisés.
• 17:00Limites de l'étude : uniquement le genre, échantillon américain, et ouverture vers une recherche plus large.
• 18:20Conclusion finale et remerciements.

• Responsible AI Forum — Site officiel du forum où la présentation a eu lieu.
• IEAI - Institute for Ethics in Artificial Intelligence — Institut de l'Université Technique de Munich, organisateur de l'événement.
• alignAI — Projet financé par l'Union Européenne, mentionné comme soutien.
• IEAI Events — Page des événements de l'IEAI, pour d'autres conférences.
• Newsletter IEAI — Inscription pour les actualités de l'institut.
• Amerikahaus — Lieu de l'événement, fournissant la vidéo.

• alignAI — Projet européen qui soutient ce type de recherche sur l'alignement des valeurs.