Module 7 - Plan d’apprentissage

STT-1100 Introduction à la science des données

🎯 Objectifs du module

À la fin de ce module, vous devriez être capable de :

• Identifier des problèmes éthiques dans une visualisation.
• Anonymiser correctement des données.
• Appliquer les bonnes pratiques de visualisation pour représenter les données de manière claire et honnête.
• Identifier et éviter les biais de présentation des données.
• Comprendre les enjeux éthiques et de confidentialité liés à la science des données.
• Mettre en place des mesures de protection et de sécurisation des données sensibles.
• Expliquer les principes CRAP.
• Expliquer les principes FAIR.

📚 Lectures

Pour vous préparer, consultez les ressources suivantes :

• 📘 R for Data Science — Communication
• 📘 Guide de bonnes pratiques à l’usage des data scientists (gouvernement du Luxembourg)

🧭 Aventure

Vous incarnerez un·e expert·e en éthique des données et serez chargé·e d’évaluer un rapport problématique.
Lien vers l’aventure :
👉 Aventure 7 — Visualisation, éthique et sécurisation des données

💡 Défi — Analyse éthique et visualisation responsable

Vous recevrez un jeu de données COVID simulé. Votre tâche sera de produire une analyse responsable :

• Évaluer les aspects éthiques liés à la visualisation fournie.
• Anonymiser correctement les données.
• Créer une nouvelle visualisation fidèle et informative.
• Rédiger une réflexion critique sur les enjeux rencontrés.

🏋️ Exercices de consolidation

Voici quelques exemples réels de visualisations problématiques ou controversées à analyser :

1. Fox News – Graphique sur le christianisme aux États-Unis
   La chaîne a diffusé un graphique avec un axe Y tronqué, exagérant visuellement une baisse du taux de chômage.

   

   ➤ Question : En quoi la forme de l’axe trompe-t-elle le lecteur ? Comment le représenter honnêtement ?

2. USA Today – Diagramme circulaire erroné
   Le graphique totalise plus de 100 % de parts, rendant la visualisation incohérente.

   
   ➤ Question : Que montre cette erreur ? Quels types de graphiques alternatifs conviendraient mieux ?

3. Cartes électorales américaines – Distorsion par surface
   Les grandes zones rurales peu peuplées sont visuellement dominantes sur les cartes, même si elles comptent peu d’électeurs.

   
   ➤ Question : Pourquoi la taille géographique peut-elle fausser la perception des résultats ? Comment faire mieux ?

4. Ticked Axis – Exemple pédagogique de manipulation
   Deux versions d’un même graphique, l’une honnête et l’autre manipulée par troncature d’axe, révèlent l’impact des choix visuels.

   
   

   
   ➤ Question : Que remarquez-vous en comparant les deux versions ? Quels messages différents sont véhiculés ?

5. Cambridge Analytica – Profilage psychologique sans consentement
   Données Facebook utilisées à l’insu des utilisateur·rices à des fins de manipulation électorale.
   https://fr.wikipedia.org/wiki/Cambridge_Analytica
   ➤ Question : Quels principes éthiques sont ici violés (transparence, consentement, anonymisation) ? Comment prévenir ce type de dérive ?