La science politique et la révolution des mégadonnées
Nous sommes au cœur de la révolution des mégadonnées : l’augmentation de la quantité et de la disponibilité des données stimule le développement de techniques de plus en plus souples pour analyser les gros fichiers de données. L’une des plus grandes questions qui se posent aux chercheurs est : quel est le lien entre ce que nous apprenons de ces nouvelles méthodes et ce que nous avons appris des 75 dernières années de cueillette et d’analyse de données?
Depuis la fin des années 1950, les politologues utilisent les mêmes méthodes pour tester les théories. Le principe de base consiste à utiliser des observations du monde pour produire une théorie, à utiliser la théorie pour produire de nouvelles hypothèses sur la manière dont le monde devrait fonctionner, puis à recueillir et à analyser des données afin de tester ces hypothèses. Mais dans un monde de mégadonnées, la théorie perd de l’importance au profit de logiciels sophistiqués qui peuvent relier les causes aux conséquences d’une façon très souple. L’accent est mis non pas sur un test, mais sur une tentative de prédire le résultat politique d’intérêt.
David Armstrong, titulaire de la Chaire de recherche du Canada en méthodologie politique, s’est donné comme objectif d’intégrer ces deux approches. M. Armstrong et son équipe de recherche tentent de combiner la souplesse des méthodes permettant de découvrir des relations dans des mégadonnées et les méthodes plus conventionnelles qui permettent de tester des hypothèses. Leurs travaux permettront d’arriver à une compréhension beaucoup plus approfondie et plus nuancée du fonctionnement des phénomènes politiques.
La recherche de M. Armstrong a d’importantes répercussions dans divers champs des sciences médicales, naturelles et sociales. Dans les domaines où les expériences (la référence absolue pour la compréhension de la causalité) ne sont tout simplement pas possibles, ces nouvelles méthodes permettront aux chercheurs de définir plus de rapports de causalité à partir de données d’observation (non expérimentales).